QoS-based Task Replication for Alleviating Uncertainty in Edge Computing
Notice bibliographique
Résumé
Edge Computing (EC) has been evolving towards harvesting latent yet underutilized computational resources of the Extreme Edge Devices (EEDs), such as autonomous vehicles, smartphones, and tablets. However, EEDs tend to be user-owned devices. This triggers a high level of uncertainty, the impact of which is mostly overlooked. Such uncertainty can stem from the potential loss of network connectivity, battery depletion, as well as the dynamic user access behavior that can affect the computational capability of EEDs and compromise the convenience of users. This uncertainty can profoundly impact the devices' reliability of executing the offloaded tasks. In this context, we propose the Replica Maximization at the Extreme Edge (RMEE) scheme. RMEE employs task replication to achieve maximum reliability and improve successful task execution while abiding by certain QoS requirements. Towards that end, RMEE aims to maximize the number of offloaded replicas for each task, while ensuring that the task execution delay is kept within a certain threshold. We formulate the task replication optimization problem as a Mixed-Integer Linear Program (MILP) and devise an analytical solution using the Karush-Kuhn-Tucker (KKT) conditions and Lagrangian analysis. Extensive simulations have shown that RMEE outperforms other baseline schemes that involve single and fixed number of replicas, in terms of drop rate, satisfaction ratio, and the number of replicas by up to 100%, 100% and 60%, and 95.1 % and 85.4%, respectively.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».