A Novel Mobility-Aware Offloading Management Scheme in Sustainable Multi-Access Edge 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
The concept of Multi-access Edge Computing (MEC) extends the provisioning of computing and storage capabilities from remote Cloud Data Centers (DC) to the proximity of end users via heterogeneous networks. By augmenting User Equipment (UE) with external computing power under the local coverage, Cloudlet-based offloading performs as a critical enabler to boost application execution performance and to prolong battery lifespan in the mobile devices. However, the mobility of UEs introduces intra-Cloudlet intermittent connections and inter-Cloudlet unbalanced load distributions in the MEC environment, which consequently leads to offloading failures and service downgrading. In this paper, we propose a novel MEC-based mobility-aware offloading model to solve the intra-Cloudlet offloading scheduling issue and inter-Cloudlet load-aware heterogeneous resource allocation issue in terms of concerning the offloading execution efficiency, task processing time constraints, and energy efficiency. A priority-based queue model is designed to formulate the intra-Cloudlet mobility-aware offloading scheduling problem, resolved by the adoption of the Particle Swarm heuristic. The energy-aware inter-Cloudlet resource selection procedure is formalized in a mobility-aware multi-site resource allocation model, which is further solved by lightweight dynamic load balancing. The results of the experiment indicate that the proposed framework can effectively improve the overall offloading service provisioning quality in the intra-Cloudlet and inter-Cloudlet offloading scenarios, compared to the current works.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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