Optimal Container Migration/Re-Instantiation in Hybrid Computing Environments
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
End-users and service providers have recently favored lower latency services. Edge computing has improved user quality of service (QoS) guarantees through the reduced geographical distance, decreased use of the network backbone, and flexible placement of the container hosting edge devices. The under-utilized isolated edge computing idling nodes are significant for service providers, especially for Internet of Things (IoT) applications. However, the nodes’ minimal maintenance remains a hindrance due to related increased failures. Orchestrating over the edge alongside core environments allows tolerant services and more demanding ones to coexist without impacting the user experience. Therefore, the orchestrator’s second priority is achieving and maintaining the QoS through optimal recovery method selection by either migrating the live containers or re-instantiating them. This paper proposes an Optimal Container Migration/Re-Instantiation (OC-MRI) model to optimize the orchestration methods focusing on downtime, container dependencies, and latency requirements. Next, we introduce a real-time heuristic-based solution, Edge Computing-enabled Container Migration/Re-Instantiation (EC2-MRI). Both models are bench-marked alongside staple greedy approaches. Simulation results showcase the lowest latencies and downtime with the OC-MRI model. Furthermore, the EC2-MRI model shows comparable results to the optimal model with minimal lag.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,008 | 0,005 |
| 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