Ontology-Based Resource Description and Discovery Framework for Low Carbon Grid Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Using smart grids to build low carbon networks is one of the most challenging topics in ICT (Information and Communication Technologies) industry. One of the first worldwide initiatives is the GreenStar Network, completely powered by renewable energy sources such as solar, wind and hydroelectricity across Canada. Smart grid techniques are deployed to migrate data centers among network nodes according to energy source availabilities, thus CO <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sub> emissions are reduced to minimal. Such flexibility requires a scalable resource management support, which is achieved by virtualization technique. It enables the sharing, aggregation, and dynamic configuration of a large variety of resources. A key challenge in developing such a virtualized management is an efficient resource description and discovery framework, due to a large number of elements and the diversity of architectures and protocols. In addition, dynamic characteristics and different resource description methods must be addressed. In this paper, we present an ontology-based resource description framework, developed particularly for ICT energy management purpose, where the focus is on energy-related semantic of resources and their properties. We propose then a scalable resource discovery method in large and dynamic collections of ICT resources, based on semantics similarity inside a federated index using a Bayesian belief network. The proposed framework allows users to identify the cleanest resource deployments in order to achieve a given task, taking into account the energy source availabilities. Experimental results are shown to compare the proposed framework with a traditional one in terms of GHG emission reductions.
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.
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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle