Cost-based Compute Cluster Formation in Edge Computing
Notice bibliographique
Résumé
Edge Computing (EC) is a promising computing paradigm that can foster a wide spectrum of delay-sensitive and/or data-intensive applications. As opposed to cloud computing, which relies on remote cloud servers, EC brings the computing service closer to the end-users, which can significantly reduce the delay. The concept of EC has recently expanded to include harvesting the computation resources of the Extreme Edge Devices (EEDs), such as smartphones, autonomous vehicles, tablets, etc. However, the cost of recruiting EEDs for resource allocation in such EC environments is mostly overlooked. In this paper, we propose the Price-based Compute Clusters Recruitment (PCCR) scheme. In PCCR, we minimize the cost of recruiting the EEDs required to perform a given set of tasks, where each task is satisfied by the collaborative effort of a group of EEDs forming a compute cluster. PCCR strives to minimize the total recruitment cost while keeping the delay below a certain threshold by forming the optimal set of compute clusters from a pool of heterogeneous EEDs available in a given geographical area. We formulate the optimization problem as a Mixed Integer Quadratically Constrained Quadratic Program (MIQCQP). We then derive an analytical solution using the KKT conditions and Lagrangian analysis. Extensive simulations show that PCCR significantly outperforms a prominent baseline approach in terms of recruitment cost.
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 | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,002 |
| 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 ».