IoT mobile device Data Offloading by Small-Base Station Using Intelligent Software Defined Network
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
The growing number of IoT devices and the different computing and communication capabilities of IoT devices require an efficient offloading scheme. This offloading scheme need to consider the mobility of IoT devices and helps to intelligently select the optimal server for offloading. An efficient offloading scheme need to take in consideration important factors such as mobility of the IoT user device, speed and direction of the IoT user device as well as the computational capabilities of the user mobile device and the load of nearby servers. Unbalanced load of data or task offloading lead to high latency and poor services. An optimal selection of offloading server will clearly improve latency and QoS. Some new architecture of cellular network suggest the deployment of small-cell base stations (SBS) [1], [2] with a certain computing capabilities which can help offloading task of IoT mobile device or of their nearby SBS. In smart city environment, the mobile IoT device user needs to choose an SBS from several available SBSs within the its communication proximity. In this paper, we propose a Smart Ranking based Task Offloading approach for selecting an SBS and to improve the Quality of Service. This approach uses Q-Learning for SBS selection which will be modelled in Software Defined Network controller to deal with the problem of choosing the SBS in an intelligent way for Task offloading.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,003 |
| 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 découle