An edge computing-based monitoring framework for situation-aware embedded real-time systems
Notice bibliographique
Résumé
An embedded real-time system (ERTS) needs to provide continuous service in various dynamic situations. Such service requirements in different situations create the need for the ERTS to monitor its environment at run time, gather knowledge of its situations, and guarantee its timing and operational behavior through self-adaptation. Recent advances in sensor technologies have introduced cameras, lidar, and radar as powerful monitoring tools. However, processing and storing raw sensor streams require significant storage and computational ability. An ERTS is embedded in nature, and therefore, it has limited storage and processing capacity. This paper considers that the ERTS contains an analytics endpoint (edge node). We present an edge computing-based monitoring framework that characterizes environmental situations at run time by identifying events and their properties. We enable the framework to store and process from a significantly reduced dataset by creating a knowledge base. The framework also allows the ERTS to identify resource, performance, and safety constraints in the edge node for each situation. The framework assists the ERTS in adapting to the situations (if the constraints are satisfied) by determining adaptive tasks that need to be triggered with respect to the environmental events. The experimental analysis shows that the framework present in the edge node assists in situation characterization in terms of the identified events and admission of adaptive tasks. The monitoring framework also allows improvement regarding the probability of failure and average response time. We use the earliest deadline first (EDF) scheduling algorithm with and without considering the edge node and perform a comparative schedulability analysis. We demonstrate that overall demand due to the admission of adaptive tasks and situation-driven analytics exceeds available supply, which can be addressed using the proposed edge computing-based framework.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».