Trusted Third Party for service management in vehicular clouds
Notice bibliographique
Résumé
As vehicles get smarter, with supplementary onboard gear providing advanced applications and provisioning services related to traffic management, the requirement for simple and effective access to information has grown extensively. The new applications manage more complex operations and, unlike other mobile devices, mobile vehicle devices provide location based services, real-time functionality, provisioning services and storage, all without the shortcomings of traditional mobile devices. Vehicular cloud computing can perform a broad set of on-demand services and applications, which make this method highly applicable to urban settings. Provisioning services often encounter unexpected interruptions that increase provisioning latency and service usage duration, ultimately leading to higher charges for the driver. This paper advances our previously proposed distributed model to handle service management in vehicular clouds, by using the concept of Vehicular Trusted Third Party (VTTP) with different type of provisioning services. This model has the capability to switch between TTPs, which allows drivers to exploit the benefits of different existing services, and connect to the TTP that best meets their specific requirements. Two new service latency modes are proposed and evaluated: Service Latency Sensitive Mode (SLSM) and Neutral mode. The proposed model has been implemented and evaluated using simulations of real-time light and heavy duty services, and various simulation scenarios show that using a VTTP can significantly help drivers reduce their service latency (~30%) and costs (~26%).
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 | 0,000 | 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 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 ».