Dynamic Virtual Machine Migration in a vehicular cloud
Notice bibliographique
Résumé
Vehicular clouds are formed by incorporating cloud-based services into vehicular ad hoc networks. Amongst the several challenges in a vehicular cloud network, virtual machine migration (VMM) may be one of the most crucial issues that need addressing. In this paper, a novel solution for VMM in a vehicular cloud is presented. The vehicular cloud is modeled as a small corporate data center with mobile hosts, equipped with limited computational and storage capacities. The proposed scheme is called Vehicular Virtual Machine Migration (VVMM). The VVMM aims to achieve efficient handling of frequent changes in the data center topology, host heterogeneity, all while doing so with minimum Roadside Unit (RU) intervention. Three modes of VVMM are studied. The first mode, VVMM-U uniformly selects the destinations for VM migrations, which will take place shortly prior to a vehicle's departure from the coverage of the RU. The second mode, VVMM-LW aims at migrating the VM to the vehicle with the least workload, and the third mode, VVMM-MA incorporates mobility awareness by migrating the VM to the vehicle with the least workload and forecasted to be within the geographic boundaries of the vehicular cloud. We evaluate the performance of our proposed framework through simulations. Simulation results show that VVMM-MA introduces significant reduction in unsuccessful migration attempts and results in an increased fairness in vehicle capacity utilization across the vehicular cloud system.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».