Minimizing Age of Information in Multiaccess-Edge-Computing-Assisted IoT Networks
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
Internet of Things (IoT) applications, such as augmented/virtual reality, tactile Internet, immersive gaming, etc., are currently experiencing an unprecedented growth in their demand. IoT devices are constrained by limited computation and power features and might experience excessive computational latency to support resource-intensive tasks. Multiaccess edge computing (MEC) appears to be a promising solution in this regard to expedite the computations of resource-intensive tasks by offloading them to the edge of the network. This article considers a scenario where a base station (BS) serves traffic streams from multiple IoT devices. The packets from each stream arrive at the BS (following a stochastic process) and then forwarded to their respective destinations after they are processed by the MEC node. The scheduling decisions are aimed to keep the information fresh at the destination. The information freshness is captured by Age of Information (AoI) metric. We aim to minimize the expected sum AoI for the MEC-assisted IoT network and provide mathematically traceable expressions for the AoI. First, an optimization problem is formulated to find the optimal scheduling policy in order to minimize the expected sum AoI. The optimization problem is an integer linear programming (LP) problem, which is generally difficult to solve. Hence, we provide a simpler formulation of the problem and derive a more traceable expression for the expected sum AoI. With this approach, the joint impact of stochastic arrivals, scheduling policy, and unreliable channel conditions on the AoI is assessed. We also propose low-complexity algorithms to obtain results for larger networks. Finally, through extensive simulations, we demonstrate the effectiveness of our proposed methods as compared to other existing strategies in terms of achievable AoI.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 découle