Multitiered Worker-Oriented Resource Allocation at the Extreme Edge
Notice bibliographique
Résumé
Fostering Edge Computing (EC) by recycling prolific yet underutilized computational resources of the Internet of Things (IoT) devices, also referred to as Extreme Edge Devices (EEDs), has gained significant momentum lately. Fair resource allocation is a primary concern in such computing paradigms. However, fairness is typically considered from the requester's perspective, whereas fairness for workers (i.e., EEDs) is mostly overlooked. In this context, we propose the Multitiered Worker-Oriented Resource Allocation (MWORA) scheme. In MWORA, the resource allocation problem is formulated as an Integer Linear Program (ILP). MWORA aims to maximize service capacity and minimize the task response delay while enabling fair resource allocation that maintains a specific satisfactory profit for workers. Such a satisfactory level is maintained to prevent the workers from leaving the system and ensure their recurrent subscription to the service. This is done while abiding by the deadline demanded by each requester and without exceeding a certain budget. MWORA also accounts for the fact that EEDs are user-owned devices and are thus subject to a dynamic user access behavior, which can affect the level of computational resources that workers are willing to offer. In particular, MWORA enables multitiered computational resources to be granted by each worker depending on the price of the allocated task. Extensive simulations have shown that MWORA outperforms other baseline resource allocation schemes regarding average response delay, service capacity, worker satisfaction ratio, and fairness.
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 | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,009 | 0,010 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».