Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.05426

帮助 | 高级搜索

计算机科学 > 信息论

arXiv:2508.05426 (cs)
[提交于 2025年8月7日 ]

标题: 通过组合多接入模型的通信高效分布式计算

标题: Communication-Efficient Distributed Computing Through Combinatorial Multi-Access Models

Authors:Shanuja Sasi, Onur G端nl端
摘要: 本文探讨了多接入分布式计算(MADC)模型,这是一种新型的分布式计算框架,其中映射器和归收器节点是不同的实体。 与传统的MapReduce框架不同,MADC利用编码理论技术来最小化通信开销,而无需在映射器节点之间进行文件复制。 我们引入了一种新方法,利用组合设计,特别是t设计,来构建高效的编码方案,实现计算负载为1。 通过建立t设计与MapReduce数组之间的联系,我们描述了可实现的通信负载,并展示了我们的方法在选择归收器节点数量方面的灵活性。 所提出的方案相对于现有的组合拓扑方案显著减少了归收器节点的数量,但以增加通信成本为代价。
摘要: This paper explores the multi-access distributed computing (MADC) model, a novel distributed computing framework where mapper and reducer nodes are distinct entities. Unlike traditional MapReduce frameworks, MADC leverages coding-theoretic techniques to minimize communication overhead without necessitating file replication across mapper nodes. We introduce a new approach utilizing combinatorial designs, specifically t-designs, to construct efficient coding schemes that achieve a computation load of 1. By establishing a connection between t-designs and MapReduce Arrays, we characterize the achievable communication loads and demonstrate the flexibility of our method in selecting the number of reducer nodes. The proposed scheme significantly reduces the number of reducer nodes relative to existing combinatorial topology schemes, at the expense of increased communication cost.
评论: arXiv管理员注释:与arXiv:2402.16140文本重叠
主题: 信息论 (cs.IT)
引用方式: arXiv:2508.05426 [cs.IT]
  (或者 arXiv:2508.05426v1 [cs.IT] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.05426
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Shanuja Sasi [查看电子邮件]
[v1] 星期四, 2025 年 8 月 7 日 14:15:49 UTC (31 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
math
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.IT
math.IT

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号