MétaCan
Menu
Retour à la cohorte
Enregistrement W4400488220 · doi:10.1109/jiot.2024.3425799

Multitiered Worker-Oriented Resource Allocation: Mitigating Worker Attrition at the Extreme Edge

2024· article· en· W4400488220 sur OpenAlexafffund
Marah De’bas, Sara A. Elsayed, Hossam S. Hassanein

Notice bibliographique

RevueIEEE Internet of Things Journal · 2024
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueTechnology Adoption and User Behaviour
Établissements canadiensQueen's University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésComputer scienceAttritionResource allocationEnhanced Data Rates for GSM EvolutionResource management (computing)Computer networkDistributed computingTelecommunications

Résumé

récupéré en direct d'OpenAlex

Democratizing edge computing (EC) by harnessing the underused computational resources of extreme edge devices (EEDs) can revolutionize a broad spectrum of Internet of Things applications. However, studying the impact of EED/worker attrition on the Quality of Service (QoS) at the extreme edge has been overlooked. In this article, we propose the multitiered worker-oriented resource allocation (MWORA) scheme. MWORA is the first scheme that studies the impact of worker attrition on the QoS and mitigates its risk by optimizing resource allocation to ensure that workers receive a satisfactory profit to maintain their participation in the service. Furthermore, MWORA accounts for the fact that EEDs are user-owned devices, and are thus subject to a dynamic user access behavior, which can affect the level of computational resources they are willing to endow. MWORA accounts for such dynamicity by pioneering the notion of enabling multitiered computational capabilities to be solicited from each worker based on the profit gained from the assigned tasks. We formulate the problem as an integer linear program (ILP) to maximize the QoS while abiding by certain worker satisfaction, deadline, and budget constraints. We also propose the MWORA-weighted sum (MWORA-WS) scheme to derive an analytical solution using the Karush–Kuhn–Tucker (KKT) conditions and Lagrangian analysis. Extensive simulations show that MWORA outperforms prominent resource allocation schemes by up to 31%, 52%, and 85% in terms of response delay, service capacity, and worker satisfaction, respectively. Additionally, MWORA-WS yields a small gap of 7% and 8% with MWORA in terms of response delay and worker satisfaction, respectively.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,110
Tête enseignante GPT0,355
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Internet of Things JournalMême sujetTechnology Adoption and User BehaviourTravaux en français237 207