Priority-Based Servicing of Offloaded Tasks in Mobile Edge Computing
Notice bibliographique
Résumé
Mobile edge computing (MEC) is an emerging computing and communication model that brings extremely resourceful servers at a network’s edge. This reduces the latency associated with cloud computing as applications executing on mobile devices do not always need to communicate with a cloud server because most of the functionalities provided by the cloud server are available on an edge server. Moreover, with the emergence of 5G really high amount of bandwidth is available to a mobile device, hence communication latency between the edge server and a mobile device is low. The combination of 5G and edge computing has a potential to better enable many interesting time-critical and/or computationally expensive computing and communication use cases, for example, connected cars. The stated combination enables development of computationally expensive applications for mobile devices and sensors nodes as these devices can offload their computational tasks to the edge server. Task offloading is a promising feature of edge computing, therefore here priority-class-based methods are presented to allocated CPU cycles to an offloaded task at the edge server. In one of the presented methods, a mobile device or a senor node assign their task to one of the available priority classes, and then offload the task to the edge server. Afterwards, the edge server assigns CPU cycles to such a task depending upon its priority class. Similarly, another method is presented that assigns priority to each device based on the type of tasks the device is offloading. While assigning CPU cycles to different offloaded tasks, the edge server uses their device priority. The simulation results demonstrate that the presented methods are capable of providing service differentiation.
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 | 0,001 |
| 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 ».