Multitiered Worker-Oriented Resource Allocation: Mitigating Worker Attrition at the Extreme Edge
Notice bibliographique
Résumé
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 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 | 0,003 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».