Fog computing in multi-tier data center networks: A hierarchical game approach
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
With the increasing popularity of data services and applications, data center networks have been introduced to serve users in a centralized fashion. Furthermore, the flexibility of the data service subscribers' (DSSs') requirements motivates data center virtualization so as to optimize the resource allocation among all DSSs. However, as the massive data centers are usually far away from the DSSs, the quality of services are severely affected for delay-sensitive DSSs. Accordingly, fog computing is considered to solve the problem, where some virtualized edge data centers acting as fog nodes (FNs) are added in the network and help massive data center operators (MDCOs) serve DSSs. In this paper, we analyze the resource management problem in the multi-FN multi-MDCO, and multi-DSS networks. We model the network architecture with 3-layer model, where the FNs are in the upper layer, MDCOs in the middle layer, the DSSs in the bottom layer. The FNs first share computing resource with the MDCOs, and thus the MDCOs are able to serve their DSSs with low delay. Based on the model, we propose a hierarchical game, where the interaction between FNSs and MDCOs is regarded as a multi-leader multi-follower Stackelberg game, and the interactions between MDCOs and DSSs are regarded as the single-leader single-follower Stackelberg games. By making decisions distributively, all FNs, MDCOs, and DSSs receive high utilities. Simulation results show the correctness of the analysis and the performance improvement of the proposed strategies in the fog computing networks.
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 | 0,001 | 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 | 0,003 | 0,005 |
| 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