Joint Job Partitioning and Collaborative Computation Offloading for Internet of Things
Notice bibliographique
Résumé
Advances in Internet of Things (IoT) bring massive intelligent applications, many of which are computation intensive and time sensitive. With limited resources of IoT devices, mobile computation offloading can be exploited to offload part of the applications to nearby devices that have more powerful computing resources, thereby speeding up the applications and reducing the energy consumption. In this paper, we consider application partitioning and collaborative computation offloading in IoT networks, in order to meet the completion deadline of the applications while minimizing the overall energy consumption. The problem is formulated as a binary integer linear programming problem, which is transformed into a weighted bipartite matching problem and then solved by the centralized Kuhn-Munkres algorithm. To fit the large-scale IoT scenarios, three distributed algorithms are then introduced from different perspectives. The first one is referred to as the noncooperative matching (NCM) algorithm, where each node makes offloading decision based on its own interest in minimizing energy consumption. Afterward, an asynchronous greedy matching (AGM) algorithm is developed by considering the mutual interest of the requestor and collaborator pairs in terms of their energy consumptions. Finally, a maximum differential energy matching (MDEM) algorithm is devised by relaxing the network stability requirement, which can further benefit the energy efficiency for all network nodes. Theoretical analysis and simulation results demonstrate that both the NCM and AGM algorithms guarantee the network stability and improve the energy saving compared with entirely local execution, while the MDEM algorithm can further achieve near-optimal energy consumption at the expense of higher implementation overheads.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».