Sustainable and Secure Optimization of Load Distribution in Edge Computing
Notice bibliographique
Résumé
Nowadays, the Internet of Things (IoT) plays a disruptive role in society by bringing benefits to different industries. IoT initiatives (e.g., transportation and manufacturing) are becoming more popular, and new applications are expected in the next few years. In this sense, Cloud Computing enables small IoT devices to exceed their limited processing power and, to complement this concept, Edge Computing introduces edge processing services with short communication delay, providing services and performing calculations closer to the network and data generation. This paradigm enables systems to operate under more restrictive requirements. However, load balancing is challenging due to the various devices in IoT environments that need to be connected to different edge servers. Besides, the heterogeneity of such servers poses another obstacle to be overcome to achieve efficient load balancing capabilities. The main goal of this research is to propose a sustainable and secure load balancing approach for edge computing using Particle Swarm Optimization (PSO). This proposal distributes IoT devices connections across multiple edge servers while observing sustainability and security KPIs. To accomplish this, we utilize PSO to assign IoT devices to edge servers aiming at balancing load, sustainability, and security KPIs. Besides, we compare the results of this proposal with different optimization methods in different experiments. The results showed that our proposal outperforms those methods in all cases investigated since it can observe different metrics in balancing the load of edge servers.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».