Worker Resource Characterization Under Dynamic Usage in Multi-access Edge Computing
Notice bibliographique
Résumé
Multi-access Edge Computing (MEC), also known as Mobile Edge Computing, has gained significant momentum as a key facilitator of the stringent Quality of Service (QoS) requirements associated with delay-sensitive and data-intensive applications. Recently, the advantageous nature of MEC has been further enriched by leveraging the latent yet underused computational resources of Extreme Edge Devices (EEDs), such as smartphones, tablets, and autonomous vehicles. However, EEDs are typically user-owned devices, and thus have dynamic resource usage behavior since users dynamically navigate through various applications on their devices. This, along with the heterogeneity of EEDs, makes it harder to accurately estimate their computational capabilities, drastically affecting task allocation and resource utilization, thus increasing the delay. In this paper, we propose the Usage-based WOrker Resource Characterization (U-WORC) scheme to alleviate this problem and address the issues related to device heterogeneity, resource contention, and network communication delay. U-WORC presents a prediction-based approach to characterize the resources of EEDs (i.e., workers) by clustering the resource usage information and the corresponding execution time while running a benchmark task. Performance evaluation shows that U-WORC yields significant improvements that reach 91.42 % and 38.8 % in terms of characterization accuracy and task execution time, respectively, compared to a prominent scheme that does not consider resource contention and network communication delay.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,010 |
| 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 ».