Online Service Deployment on Mega-LEO Satellite Constellations for End-to-End Delay Optimization
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
Satellite Edge Computing (SEC), which empowers satellites with computing capabilities, has been regarded as a promising paradigm for 6G alongside the development of mega-Low Earth Orbit (LEO) satellite constellations. With SEC, tasks traditionally performed on the ground can be offloaded and processed in the sky. Currently, most existing studies assume that the service entities have been deployed on satellites in advance, ignoring the selection of specific serving nodes. However, as the communication and computing resources of satellites vary in accordance with time, selecting the optimal node for deploying the service entity and migrating it at the right time will significantly affect users' quality of experience. In this regard, this article investigates the online service deployment on mega-LEO satellite constellations, taking into account the time-varying on-board resources and limited visible time. We formulate an optimization problem to maximize the number of successful deployments that meet delay requirements for each user under the long-term migration cost constraint. To solve this problem, we transform it into a Markov decision process and propose COMPOSE, an online satellite service deployment scheme based on convolution-proximal policy optimization. COMPOSE dynamically selects the optimal serving node and migrates the service entity in due course. The simulation results demonstrate the superior performance of COMPOSE in terms of delay satisfaction ratio, delay variance, and the number of migrations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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