BlazeFlow: a Multi-Layer Communication Middleware for Real-Time Distributed IoT Applications
Notice bibliographique
Résumé
The Internet of Things landscape has grown steadily over the last decade, fueling digital transformation. Data is now regarded as a precious asset. As a result, many companies have shifted their operations to the cloud to avoid maintaining massive infrastructure to hold and process all the data. However, in many settings, sending all the raw data to the cloud for processing and storage is not possible due to the unreliability of wide-area connectivity, coupled with the high costs of data transfer, storage, and processing. Also, some applications exhibit stringent response-time requirements. Edge computing can mitigate some of these issues, but it also has some drawbacks. This paper presents BlazeFlow, our vision of a multilayer data flow solution that can transport data to and from any layer of the cloud-to-device continuum based on publish-subscribe abstractions. BlazeFlow handles data flows between different services deployed onto the same node, between different devices of the same layer, and between different layers (edge, fog, and cloud). This is realized by a cross-layer common bridging solution that can automatically aggregate various protocols that are appropriate for each layer/device (e.g., ROS2, MQTT, Redis, and Kafka). BlazeFlow is designed to support bandwidth-intensive and time-critical services deployed at the various layers of the system. We evaluate a preliminary design of BlazeFlow over an autonomous robotics use case, and we show that it can sustain multi-layer data lows at a high frequency and with a low latency.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».