Connectivity-Aware Task Outsourcing and Scheduling in D2D Networks
Notice bibliographique
Résumé
With the flourishing of smart mobile devices (e.g., smartphones, tablets), development of mobile cloud computing has received more and more attentions from both industry and academia. Compared with the traditional way of executing large- scale computational tasks on powerful desktop computers and the cloud, mobile cloud computing is featured by the ubiquitous availability, flexibility, and low-cost. However, this feature also brings challenges when we build the satisfactory mobile computing system. First, the computational power on a mobile device is not comparable with that on a personal computer such that many computation-intensive tasks cannot be independently handled by mobile devices. Second, offloading computational tasks to the cloud introduces additional monetary costs (e.g. wireless communication cost, computational service cost), which may be pricy for users. In this paper, we propose a novel connectivity- aware task scheduling paradigm to enable mobile device users to accomplish computation-intensive tasks cooperatively in the device-to-device (D2D) network by incorporating the "fog" - aggregate of computational powers in the ad-hoc. A supernode at the base station is responsible for scheduling cooperation tasks based on user mobility. To further enhance the quality of experience (QoE) for the users, we propose a lightweight heuristic algorithm to perform task scheduling to ensure low cooperative task execution time. Simulation results show that our cooperative paradigm efficiently reduces the average task execution time for mobile device users in the D2D network.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».