Device-Specific QoE Enhancement Through Joint Communication and Computation Resource Scheduling in Edge-Assisted IoT Systems
Notice bibliographique
Résumé
With rapid adoption in vertical industries and further assistance of edge computing, Internet-of-Things (IoT) applications are experiencing phenomenal growth. However, the concurrence of heterogeneous IoT devices, limited system resources, and varying network conditions poses an ultimate challenge to resource scheduling for meeting the increasingly diverse requirements of IoT applications. Most existing resource scheduling techniques are achieved using common performance indicators for all devices as the optimization objective, which may lose effectiveness when dealing with the diverse requirements across heterogeneous IoT devices. Towards this end, we focus on enhancing IoT device-specific Quality of Experience (QoE) through jointly optimizing communication and computation resources. First, a three-layer QoE assessment model is constructed to characterize the general correlation between resource provisioning and device-specific QoE. Then, to maximize the overall QoE amongst IoT devices, a two-stage resource scheduling scheme is proposed to realize the simultaneous optimization of IoT devices and the edge system. Specifically, during stage I, a distributed resource scheduling algorithm with low complexity is designed for each IoT device to optimize the local computing rate by considering its resource-constrained nature. During stage II, a Proximal Policy Optimization (PPO)-based online learning approach is proposed on the edge system to schedule communication bandwidth and optimize computational rate. Finally, extensive experiments demonstrate that our proposal outperforms the existing works from the perspective of QoE performance.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».