A Blockchain-Based Hedonic Game Scheme for Reputable Fog Federations
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
Fog computing empowers the internet of vehicles (IoV) paradigm by offering computational resources near the end users. In this dynamic paradigm, users tend to move in and out of the range of fog nodes which has implications for the quality of service of the vehicular applications. To cope with these limitations, scholars addressed forming federations of fog providers for task offloading purposes. Nonetheless, a few challenges remain a burden for the formation of the federations. The formation mechanisms used to structure the federations of providers are still not fully stable. This causes a problem because a structureless federation can lead to an underperforming infrastructure. Furthermore, most of the literature ignored the honesty metrics of the providers and how trustworthy they are in allocating the agreed-upon resources for processing the tasks. Moreover, adopting a central reputation mechanism is questionable in terms of reliability due to many complications including the lack of consensus. In this work, we develop a Blockchain-based reputation mechanism for assisting the formation of fog federations for IoV applications. Our mechanism comprises on-chain smart contracts for storing and manipulating the providers’ reputations, and an off-chain Hedonic-based formation process that considers the parameters extracted from the chain to build the federations. We develop smart contracts using Solidity and deploy them on the Ethereum Blockchain. We test our mechanism using the EUA dataset as a proof of concept and compare it to other works in the literature. The results obtained show that our approach is able to enhance the overall payoff and quality of service in the IoV paradigm.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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