wireless access points

研究发现：无线接入点上的机器学习模型面临性能障碍

一篇新研究论文探讨了在企业无线接入点（AP）上部署预测性机器学习模型的挑战。研究强调，机器学习推理与网络服务之间的资源争用可能导致模型在AP上的性能远低于在类似Raspberry Pi 5这样的代理硬件上。基准测试表明，模型在AP上的运行速度最多慢19.1倍，峰值内存使用量增加22%。此外，在网络饱和状态下运行机器学习模型可能会降低网络性能，使往返时间增加76%，吞吐量降低7.06%。该论文提出了“网络感知可部署性”的概念，以解决有效…