MétaCan
Menu
Retour à la cohorte
Enregistrement W2896060371 · doi:10.1109/tcc.2018.2874484

On the Planning and Design Problem of Fog Computing Networks

2018· article· en· W2896060371 sur OpenAlexaff
Faisal Haider, Decheng Zhang, Marc St‐Hilaire, Christian Makaya

Notice bibliographique

RevueIEEE Transactions on Cloud Computing · 2018
Typearticle
Langueen
DomaineComputer Science
ThématiqueIoT and Edge/Fog Computing
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésCloud computingComputer scienceMathematical optimizationNode (physics)Linear programmingOptimization problemFunction (biology)AlgorithmMathematics

Résumé

récupéré en direct d'OpenAlex

This paper proposes an exact model for the planning and design problem of fog networks. More precisely, a mathematical model is proposed to simultaneously determine the optimal location, the capacity and the number of fog node(s) as well as the interconnection between the installed fog nodes and the cloud. The goal of the model is to minimize the delay in the network and the amount of traffic sent to the cloud data center. To address this multi-objective optimization problem, three optimization techniques are used: the weighted sum, the hierarchical and the trade-off methods. The weighted sum method aggregates all the lone objective functions into a single objective by applying a weighted vector. The hierarchical method takes a sequential approach by tightly constraining the more important objective function. The trade-off method solves a single objective function and translates all other objective functions into constraints. These methods are then compared in terms of average delay, amount of traffic sent to the cloud and amount of CPU time required to find optimal solution(s). Since we are dealing with a multi-objective optimization problem and that multiple optimal solutions can be found, the fuzzy-based mechanism and the hypervolume indicator have been used. Computational results show that as the problem size increases, the delay and the traffic also increase in a linear form; whereas, the solution time increases in non-polynomial time. The weighted sum method was able to achieve the best trade-off results for the delay and the traffic, whereas the hierarchical method was able to return minimum delay but with worse traffic going to the cloud. As the model considers realistic edge device traffic parameters, constraints, and various topology aspects, it can be helpful for the planning and deployment of fog networks and how they operate within a cloud infrastructure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,037
Tête enseignante GPT0,260
Écart entre enseignants0,223 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations46
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Cloud ComputingMême sujetIoT and Edge/Fog ComputingTravaux en français237 207