iCache: An Intelligent Caching Scheme for Dynamic Network Environments in ICN-Based IoT Networks
Notice bibliographique
Résumé
Advanced network technologies and ubiquitous connected devices are boosting the development of the Internet of Things (IoT) at an unprecedented pace. However, as most of the connected IoT devices are battery powered, the energy consumption issue has become the bottleneck of the IoT’s development. Caching is a promising approach to reducing the energy consumption of the battery-powered devices since the requested data packets can be retrieved from intermediate nodes in the network, e.g., routers, instead of from the remote battery-powered IoT devices, which allows the IoT devices to spend more time in the sleep mode. To realize in-network caching and overcome the IP-based networks’ inefficiency support for IoT, building IoT over information-centric networking (ICN) is a promising approach advocated by researchers. However, existing works in this area assume the network environments are static, which hinders the development of existing approaches in the real dynamic network environments. In this article, we leverage the deep$Q$-networks (DQNs) to propose an intelligent caching scheme (named as iCache) that can automatically adjust the caching nodes’ caching parameters to make caching decisions for the dynamic network environments. Extensive evaluations were conducted and the results show that the proposed iCache outperforms the existing approaches in terms of the total energy consumption (e.g., more than 29% reduction compared to the caching transient data (CTD) caching scheme) and the average number of hops (e.g., more than 20% reduction compared to the CTD caching scheme).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».