A Hybrid Optimized Intelligent Resource-Constrained Service Scheduling for Unified IoT Applications in Smart Cities
Notice bibliographique
Résumé
As the Internet of Things (IoT) continues to advance as a technology, it has given rise to innovative and cross-domain IoT applications, particularly in smart cities. For IoT applications and services that are sensitive to latency and due resource constraints it affects the Quality of Service (QoS). To address these challenges, context-aware fog computing at the network edge requires an enhanced focus on optimizing resources for intelligent service management. Due to the dynamic change of workload at fog nodes, i.e., sudden rise in demand, an effective load balancing approach among fog nodes becomes essential. However, it’s crucial to execute load transfers, such as Virtual Machine (VM) migrations but improper migration can lead to a cascade of migrations and ultimately degrade system performance. In this paper, we introduce a resource-optimized intelligent service model (RoISM) designed to facilitate resource optimization through a forecasting technique. This technique predicts the requisite context instances and resource computation needed for efficient service delivery. The proposed hybrid approach to service management leverages context-sharing, context-migration, and live service migration strategies, all based on the forecast method. This method utilizes both current and predicted resource utilization data, as well as context availability, to fulfil service requests within the specified latency requirements for cross-domain IoT applications. To validate the effectiveness of our proposed service management algorithms, we conducted simulations using a CloudSim simulator. The results obtained from these simulations confirm the superiority of our proposed methods
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 | 0,001 | 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 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 ».