Improving the Schedulability of Real-Time Tasks Using Fog Computing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Due to the significant communication delay to user tasks, the cloud is not ideal for executing real-time tasks with stringent deadlines. Fog computing consists of low computation capability fog nodes, or cloudlets located in proximity to the source of the data generation: the users. These cloudlets are ideal for executing tasks that have early deadlines. In this paper, we propose algorithms that schedule a set of real-time tasks on such an embedded-fog-cloud architecture. We consider hard, firm and soft tasks. The execution framework consists of embedded, fog and cloud processors. Tasks are scheduled on appropriate processors based on their deadline requirements. In general, hard real-time tasks are executed on embedded processors, firm real-time tasks on fog processors, and soft real-time tasks on cloud processors. We also propose a sufficient schedulability condition. Simulation results from the CERIT trace as well as test-bed results show that the proposed algorithms offer superior performance as compared to algorithms that do not employ fog processors. Employing an <inline-formula><tex-math notation="LaTeX">$Embedded-fog-cloud$</tex-math></inline-formula> architecture offers an improvement of 62.37 percent for real-time Success Ratio (SR) and 35 percent for Average Response Time as compared to scheduling tasks on the <inline-formula><tex-math notation="LaTeX">$cloud$</tex-math></inline-formula> alone.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle