SOBER-MCS: Sociability-Oriented and Battery Efficient Recruitment for Mobile Crowd-Sensing
Notice bibliographique
Résumé
The Internet of Things (IoT) concept is aiming at being an integral part of the next generation networking services by introducing pervasiveness and ubiquitous interconnectivity of uniquely-identifiable objects. The massive availability of personalized smart devices such as smartphones and wearables enable their penetration into the IoT ecosystem with their built-in sensors, particularly in Mobile Crowd-Sensing (MCS) campaigns. The MCS systems achieve the objectives of the large-scale non-dedicated sensing concept in the IoT if a sufficient number of participants are engaged to the collaborative data acquisition process. Therefore, user recruitment is a key challenge in MCS, which requires effective incentivization of cooperative, truthful and trustworthy users. A grand concern for the participants is the battery drain on the mobile devices. It is a known fact that battery drain in a smartphone is a function of the user activity, which can be modeled under various contexts. With this in mind, we propose a new social activity-aware recruitment policy, namely Sociability-Oriented and Battery-Efficient Recruitment for Mobile Crowd-Sensing (SOBER-MCS). SOBER-MCS uses sociability and the residual power of the participant smartphones as two primary criteria in the selection of participating devices. The former is an indicator of the participant willingness toward sensing campaigns, whereas the latter is used to prioritize personal use over crowd-sensing under critical battery levels. We use sociability profiles that were obtained in our previous work and use those values to simulate the sociability behavior of a large pool of participants in an MCS environment. Through simulations, we show that SOBER-MCS is able to introduce battery savings up to 18.5% while improving user and platform utilities by 12% and 20%, respectively.
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 | 0,001 | 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 | 0,001 | 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 ».