MétaCan
Menu
Retour à la cohorte
Enregistrement W2803161762 · doi:10.1109/mcom.2018.8360845

Achieving Energy Efficiency and Sustainability in Edge/Fog Deployment

2018· article· en· W2803161762 sur OpenAlexaff
Neeraj Kumar, Joel J. P. C. Rodrigues, Mohsen Guizani, Kim‐Kwang Raymond Choo, Rongxing Lu, Christos Verikoukis, Zhimeng Zhong

Notice bibliographique

RevueIEEE Communications Magazine · 2018
Typearticle
Langueen
DomaineComputer Science
ThématiqueIoT and Edge/Fog Computing
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesnon disponible
Mots-clésSoftware deploymentComputer scienceEdge computingEfficient energy useEnhanced Data Rates for GSM EvolutionWearable computerEdge deviceMobile edge computingEnergy consumptionSustainabilityFocus (optics)The InternetTelecommunicationsComputer securityCloud computingEmbedded systemWorld Wide WebElectrical engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

The twelve articles in this special section focus on energy efficiency as it relates to fog or edge computing. The Internet of Things (IoT) has emerged as one of the most advanced and complex technological trends, where more than 50 billion things will be connected (e.g., mobile devices, sensors, wearable devices, and other computing nodes) to the Internet by 2020. Edge/fog computing will play an increasingly important role in handling the information flow of such large and complex networks. An unintended consequence is the impact of their operations on carbon emissions and the resulting electricity costs. Thus, there has been focus on designing energy-efficient solutions for the edge-fog environment. In this Feature Topic, state-of-the-art research advances in energy efficiency and sustainability for edge/fog deployment are presented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,843
Score d'incertitude au seuil0,608

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,285
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Communications MagazineMême sujetIoT and Edge/Fog ComputingTravaux en français237 207