DRUDGE: Dynamic Resource Usage Data Generation for Extreme Edge Devices
Notice bibliographique
Résumé
Extreme Edge Computing (EEC) can drastically curtail the delay, reduce network bandwidth consumption, and enhance system performance by providing computing resources closer to the data-generating Internet of Things (IoT) devices. However, the use of Extreme Edge Devices (EEDs) in EEC presents unique challenges imposed by the inherent dynamic user-access behavior, which introduces highly dynamic resource usage. To tackle such challenges, it is crucial to enable accurate resource usage predictions, which in turn requires having reliable datasets. In this paper, we cultivate the Dynamic Resource Usage Data Generation for EEDs (DRUDGE) methodology. DRUDGE generates datasets that capture the resource usage dynamics of EEDs running diverse user-end applications in fine-grained intervals over extended periods. We present an in-depth characterization of resource utilization in EEDs and make the datasets publicly available to the research community. We examine the temporal variation of critical system metrics, such as CPU usage, memory usage, temperature, and network traffic. Furthermore, we apply various statistical tests to gain valuable insights into the data characteristics, including skewness, kurtosis, stationarity, volatility, cointegration, multi-collinearity, Granger causality, and Pearson correlation analysis. These insights inform model selection, feature engineering, and preprocessing techniques, leading to more accurate and reliable forecasts and analyses for EEC systems.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».