An effective technique to schedule priority aware tasks to offload data on edge and cloud servers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent advancements in the Internet of Things (IoT) have enhanced the quality of life globally. Billions of devices are brought under the ambit of IoT to make them smarter. IoT-based applications are generating voluminous data and managing this widespread amount of data in real-time through Cloud Technology, which offers high computational and storage facilities. However, sending all data to the cloud can bring serious concerns for applications, which are critical and require instant action without any delay. Edge computing has recently emerged as an effective technology to handle the instant processing of tasks of IoT-based applications locally. Additionally, an important concern in IoT networks is response to emergency tasks on time to increase the performance of large-scale IoT systems. As such, scheduling of tasks becomes vital, where emergency and non-emergency tasks can be prioritized to offload data to the nearby edge and cloud servers respectively and enhance Quality of Service (QoS). The execution order of tasks and allocating resources for computation to avoid delays are two of the most important factors that must be addressed during task scheduling in Edge Computing. With the aforementioned issues, we design a Priority aware Task Scheduling (PaTS) algorithm for sensor networks to schedule priority aware tasks to offload data on edge and cloud servers. The problem is formulated as a multi-objective function and the efficiency of the proposed algorithm is evaluated using the Bio-inspired NSGA-2 technique. The overall improvement for average queue delay, computation time, and energy obtained for 200 tasks is 17.2%, 7.08% and 11.4%, respectively. The results obtained show significant improvement when compared with the benchmark algorithms demonstrating the effectiveness of the proposed solution. Similarly, comparative results for tasks when increased from 200 to 1000 tasks also shows subsequent improvements.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle