Mobile Parallel Computing Algorithms for Single-Buffered, Speed-Scalable Processors
Notice bibliographique
Résumé
This paper synthesizes and simulates two task-allocation algorithms that run in real time to optimally determine which processor among the multiple (single-buffered) processors in a mobile device should locally process an incoming stream of hypothetical tasks. By using speed-scaling, where each processor's speed is able to change within hardware and software processing constraints, the algorithms also explicitly determine the optimum processing rate of executing each hypothetical task. Hypothetical tasks could be heterogeneous and is each defined in an abstract, general form by considering its computation volume, processing and memory requirements. The time and energy dimensions of executing each hypothetical task is modeled in a cost function that is each associated with a processing stream. Both algorithms allow the user to specify the unit cost of energy and time for executing each hypothetical task. One algorithm extends the functionality of the other by allowing the user or the OS of the mobile device to further modify a task's unit cost of time or energy in order to achieve a linearly controlled operation point. This operation point lies somewhere in the economy-performance mode continuum of a task's execution. We focus on single buffer, single-threading where a single task is allocated to a given processor and is processed until its completion. For diverse application, we also assume that the processors/cores are heterogeneous in that they may differ in their hardware specifications with respect to maximum processing rate and energy inefficiency coefficient.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».