Rule based lightweight approach for resources monitoring on IoT Edge devices
Notice bibliographique
Résumé
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».