Energy- and Cost-Aware Offloading of Dependent Tasks With Edge-Cloud Collaboration for Human Digital Twin
Notice bibliographique
Résumé
Due to the potential of revolutionizing a variety of human-centric services, human digital twin (HDT) is envisioned to become an important part of our daily life. The HDT applications need to frequently collect and process data obtained from individuals and their environment, analyzing each physical twin while updating its corresponding virtual twin, which will consume a large amount of computing, storage and sensing resources cumulatively. Meanwhile, running HDT applications, such as emotion recognition, naturally contains the executions of several dependent tasks. Considering the resource limitations of mobile terminals, we enable dependent task offloading to mitigate terminal load and reduce the latency of HDT applications. Specifically, this paper proposes an energy and cost-aware offloading algorithm for dependent tasks with edge-cloud collaboration to empower HDT applications. We show that the problem of dependent task offloading under constraints of service cost and terminal energy consumption is NP-hard. The complexity of task interdependency makes the offloading decision under dual constraints even more challenging. The proposed offloading algorithm firstly generates task paths based on task interdependency and computation load, deriving the initial solution. Then, task reassignment and CPU frequency scaling methods are utilized to further optimize the obtained solution. Simulation results illustrate that our approach can achieve better performance in terms of makespan and service success ratio compared to the existing approaches.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».