Intelligent Edge-Based Service Provisioning Using Smart Cloudlets, Fog and Mobile Edges
Notice bibliographique
Résumé
The advancements of mobile devices and the rapid development of computing applications are encouraging a trend shift from traditional, centralized mobile cloud computing to decentralized mobile edge computing (e.g., cloudlet, fog, and multi-access edge computing) focused on the quality of service (QoS) of applications and quality of experience of user equipment (UEs). Such edge technologies enable service and resource provisioning in the vicinity of UEs, drastically reducing the network propagation delay and backhaul load. However, the emergence of computation-intensive functions, latency-sensitive tasks, and bandwidth-hungry activities make QoS-aware scheduling and resource allocation in the edge environment an open research issue. In this article, we discuss the edge-based service pro-visioning issues from the perspective of artificial intelligence (AI). We first summize the three main edge-enabling technologies. The core functioning and research challenges are presented in the context of a layered edge environment. A comparison is made among these technologies with the presentation of similarities and differences. The edge processing model is further elaborated for centralized architecture and distributed architecture, respectively. Then, we identify and categorize AI-based technologies for the UE layer, edge platform layer, and inter-edge layer regarding core edge-based service provisioning issues. Finally, we highlight open challenges and research directions, and we conclude that the number of potential issues in the edge can be properly solved by AI-based technologies.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».