MétaCan
Menu
Retour à la cohorte
Enregistrement W2983304031 · doi:10.1145/3366615.3368358

Rule based lightweight approach for resources monitoring on IoT Edge devices

2019· article· en· W2983304031 sur OpenAlexafffund
Ahmed Bali, Abdelouahed Gherbi

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueIoT and Edge/Fog Computing
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of Canada
Mots-clésComputer scienceInternet of ThingsEnhanced Data Rates for GSM EvolutionEdge computingEmbedded systemArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Edge computing is a recent tendency in the IoT domain that contributes to reduce the reliance on Cloud. This is due to the cost efficiency and the improvement of the system responsivity since services are deployed close to the data source as well as actuator nodes. However, IoT services are created on the top of a diverse and heterogeneous stack of technologies in terms of their representative hardware components. Thus, leading to some kind of barrier to accomplish system interoperability. To mitigate this heterogeneity issue, lightweight virtualization techniques such as containers have been widely adopted for IoT service deployment. However, edge devices (e.g., gateway devices) are likely to be resource-constrained, which in some cases limits their abilities to support the deployment of multiple containers. In fact, this raises the need for an effective management of resources at the edge devices. To achieve that, tools for monitoring resources consumption of container based IoT systems at the network edge level, and to launch notifications in case of any change that requires intervention are of utmost necessity. However, the current efficient monitoring tools are greedy for computing and storage resources; especially when a considerable number of IoT microservices are needed to be deployed on the same gateway. Therefore, they do not meet the constraint of limited resources when scalability is required. This work proposes a lightweight rule-based monitoring approach, taking into consideration resources needed for the monitoring process, especially with the increased number of containers deployed on IoT gateways. Our evaluation shows a significant reduction in the communication of monitoring metrics.

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)0,004
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0030,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,023
Tête enseignante GPT0,242
Écart entre enseignants0,219 · 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

Citations8
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetIoT and Edge/Fog ComputingTravaux en français237 207