A comprehensive survey of energy-efficient computing to enable sustainable massive IoT networks
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
Energy efficiency is a key area of research aimed at achieving sustainable and environmentally friendly networks. With the rise in data traffic and network congestion, IoT devices with limited computational power and energy resources face challenges in analyzing, processing, and storing data. To address this issue, computing technology has emerged as an effective means of conserving energy for IoT devices by providing high-performance computing capabilities and efficient storage to support data collection and processing. As such, energy-efficient computing, or "green computing," has become a focal point for researchers seeking to deploy large-scale IoT networks. This study provides a comprehensive Survey of recent research efforts aimed at achieving energy-efficient computing and green computing for IoT networks. To the best of our knowledge, none of the studies in the literature have discussed all types of green computing (edge, fog, cloud) and their role in enabling massive IoT networks in terms of energy efficiency. The article starts with an overview of computing technologies and then goes with a discussion of the empowering energy-saving techniques for computing (edge, fog, and cloud) environments including, energy-aware architecture, data aggregation and compression, low-power hardware, energy-aware scheduling, task offloading, switching on/off unused resources, virtualization, energy harvesting, and cooling optimization. This article is an outline of a roadmap toward realizing the vision of a sustainable computing environment for massive IoT networks; in addition, open the door for interested researchers to follow and continue the vision of Energy-Efficient Computing.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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