Profitable and Scalable MEC: Reputation-Based Service Replication via Stackelberg Game
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
Mobile edge computing (MEC) is a promising paradigm for Internet of Things applications requiring synchronized user experiences. However, sustaining scalable and reliable MEC services is challenging when computational resources are overloaded, especially as MEC service providers (SPs) must minimize operational costs to maximize profits while offering competitively priced services. This article proposes the cooperative multiprovider market (CMPM) scheme, the first to cooperatively enhance service scalability and reliability while addressing the profit-pricing dilemma in a multiprovider market. CMPM enables overloaded home SPs (HSPs) to leverage underutilized computational resources from reliable foreign SPs (FSPs) via reputation-based service replication, meeting the stringent Quality of Service (QoS) requirements for real-time applications involving user groups. CMPM resolves the pricing dilemma by applying a game-theoretic approach, allowing FSPs to dynamically optimize revenue and adjust prices when HSPs cannot meet user demand. We formulate the resource allocation and pricing problem as a Stackelberg game, establish the existence of the equilibrium, and develop a distributed algorithm to reach it. Extensive evaluations show that CMPM significantly reduces unit prices, attracts more HSPs, and better manages high-density user loads compared to state-of-the-art schemes that overlook SP reputation and social welfare. CMPM also achieves up to 84% higher FSP revenue, a 67% improvement in scalability, and a 70% higher task success rate compared to baseline schemes.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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