Performance Analysis of Mobile Cloud Computing With Bursty Demand: A Tandem Queue Model
Notice bibliographique
Résumé
Resource-constrained end devices can offload computation to backend clouds. The stochastic wireless channel that an end device is connected to can introduce bursty computation demand to the cloud. Specifically, under good channel conditions, a device can transmit more data to the cloud, which consequently yields higher instantaneous computation demand. Conversely, poor channel conditions can result in lower instantaneous demand. The performance indicator for such a mobile cloud computing system is the average of the response time, which is the time span from the arrival of the computation demand at the backend cloud instance to the completion of its execution. The question we target in this paper is how resources should be provisioned for the backend cloud instance to address this bursty computation demand and guarantee a desired quality-of-service (QoS), namely, a user-specified average response time. To answer this question, we model the mobile cloud computing system as two tandem queues. We analyze this queueing network using the fluid flow analysis framework, and derive the analytical relationship between the required resource capacity at the backend cloud instance and the desired QoS, given the workload generation process at the end device and the wireless channel conditions. Having obtained the required resource capacity for a desired QoS, we then determine whether it is economical to provision this resource capacity by subscribing to the traditional static instance or the recently introduced burstable instance offered by public cloud providers. Finally, trace-driven simulations validate our theoretical results.
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 | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».