Energy Cost Conservation for Collaborative Edge Clouds with Online Mini-Batch Learning
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
<p>Edge clouds (ECs) have recently been shown with outstanding advantages in enhancing customized user service experiences, benefiting from user proximity and location-aware characteristics. However, operating a large-scale EC network would inevitably result in a significant energy cost for EC providers, potentially offsetting their service revenue without proper energy cost management. In this paper, we focus on conserving energy cost for EC providers by leveraging both electricity price-aware geographical load balancing and dynamic central processing unit (CPU) provisioning, considering the spatio-temporal diversities of electricity prices and user task demands. Due to the significant “switching cost” associated with turning CPUs and services on/off, we formulate a multi-timescale energy cost minimization problem that integrates large-timescale CPU provisioning and service placement, as well as small-timescale geographical task dispatching and CPU resource allocation. The Lagrange dual decomposition theory is exploited to handle the spatio-temporal variable couplings. A fully distributed mini-batch learning (MBL) algorithm that relies on parameter approximation for large-timescale decision makings is proposed to learn the optimal dual variables, i.e., the Lagrange multipliers. We present rigorous algorithm performance analysis, and conduct extensive simulations based on real data of electricity prices of Canada to demonstrate the superior performance of the MBL algorithm compared to several baseline schemes.</p>
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle