MétaCan
Menu
Retour à la cohorte
Enregistrement W4308087770 · doi:10.1109/ds-rt55542.2022.9932076

Mobility-based Multi-layered Caching and Data Distribution in Vehicular Fog Computing

2022· article· en· W4308087770 sur OpenAlexaff
K M Nafiul Hassan, Robson E. De Grande

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueCaching and Content Delivery
Établissements canadiensBrock University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceCacheVehicular ad hoc networkComputer networkDistributed computingSmart CacheDistributive propertyServerData accessCache invalidationCache algorithmsCPU cacheDatabaseOperating systemWireless ad hoc networkWireless

Résumé

récupéré en direct d'OpenAlex

Vehicular fog computing is essential for quick data access to devices and applications, and caching data is a must that plays a vital role in enabling faster responses and making data more available. This work thus investigates using a multi-layer caching strategy to make data more readily available to the requesting nodes. The cache in the layers is distributive and updated on time based on the demand and criteria of the requests. We also distribute data using vehicular mobility by placing limited but significant data into the cache of the vehicle. These communication and data exchange types are standardized through policies in our methodology. This cache management design is extensively analyzed using established frameworks and vehicular networks through simulated environments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,567
Score d'incertitude au seuil0,360

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,281
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCaching and Content DeliveryTravaux en français237 207