Optimizing the Data Processing Decision for Hybrid Fog Environments
Notice bibliographique
Résumé
In the Cloud, computing loads found a new virtualized and dynamically scaling home. However, because of the pay-as-you-go business concept that is dominant in the Cloud, scenarios where a big percentage of requests turn up with low-value data (as in incomplete, meaningless or out-of-sync) can be financially detrimental to the Cloud tenant. Internet of Things offerings expand the list of data sources for a Cloud-based service. They also take the data filtering and pre-processing required of services to get to the core value-returning requests to a new level. The availability of Fog nodes offers an opportunity where some processing is done on the edge of the network in order to distribute the load and minimize the network congestion caused by low-value data. This poses a question to Cloud service designers on how to optimize this process. The decision as to where to perform each step of the data management can make the difference for Cloud providers in mitigating both the risk of pushing high loads to the Cloud servers and network which increases the cost and the risk of almost localizing the whole process and losing the benefits from Cloud services. This process is complicated by constraints pertaining to the Fog nodes capacity, and bandwidth available. Furthermore, the impact of realistic factors like Fog node ownership and device priority must be considered. To tackle this challenge, we consider the question of optimizing the decision process for a data-intensive highly distributed Cloud service. A novel optimization model is presented with 3 alternate objects (request computational delay, service provider cost and a weighted multi objective version). Initial experimental results using 4 heuristic algorithms are presented. Shown results offer some insight into the contradicting factors in play (cost, network capacity, node and Cloud capacity).
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».