Tensor-Based Lyapunov Deep Neural Networks Offloading Control Strategy With Cloud–Fog–Edge Orchestration
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
Using DNN (Deep Neural Networks) models to obtain high Quality of Services (QoS) through the cloud has become increasingly popular nowadays. Users want to use DNN by their edges (such as smartphones) anytime and anywhere. For most small and medium-sized enterprises, cloud computing resources are limited. Temporary exhaustion of resources may cause obvious service delay. For users, if all tasks are done locally, the battery capacity of the edge is too small to support such huge computing tasks. To remove this contradiction, we propose a Tensor-based Lyapunov DNN Offloading Control (TLDOC) strategy. First, we offload DNN computational tasks to cloud-fog-edge from an overall perspective. That is, layers in DNN are considered as basic offloadable objects. Second, we provide an original tensor-based Lyapunov equation and the entire process is derived in the tensor space. Lastly, we consider more key limiting factors (e.g., cellular data and remaining edge energy) to achieve better QoS. Via above contributions, our strategy reduces service delay and energy consumption for DNN cloud-fog-edge orchestration. Our experiments include two parts - detail and comparison. The experimental detail verifies that TLDOC strategy is practical and stable. Compared experiments show that our strategy could provide better QoS than existing methods on efficiency and energy saving.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle