Survey of energy-efficient fog computing: Techniques and recent advances
Notice bibliographique
Résumé
Undoubtedly, energy efficiency forms a fundamental pillar of the fog computing model. Processing data at the network's edge leads to a substantial reduction in energy consumption when contrasted with the alternative of transmitting all data to remote data centers, typically associated with cloud computing. This energy-saving approach not only promotes a more environmentally friendly footprint but also serves to prolong the operational life of battery-powered IoT devices, a particularly critical aspect, especially in remote or challenging-to-access environments. Thus, fog computing plays a crucial role in the operation of massive energy-saving IoT or green IoT networks. This study offers a comprehensive survey of recent research endeavors focused on achieving energy-efficient fog computing and eco-friendly fog computing solutions for IoT networks. The article initiates with an introductory overview of fog computing and subsequently delves into an in-depth exploration of various energy-conservation techniques tailored for fog computing environments. These techniques encompass energy-conscious architectural designs, data aggregation and compression strategies, low-power hardware implementations, energy-aware scheduling methods, task offloading mechanisms, resource utilization optimization, virtualization techniques, and energy harvesting approaches. In addition, this investigation introduces novel methodologies and outlines prospective research pathways to bolster the energy efficiency of fog computing. Moreover, practical applications are presented to highlight the potential advantages and obstacles associated with deploying energy-conscious strategies, providing insights into their effectiveness and practical implications in real-world scenarios. Essentially, this article can be considered a roadmap towards the realization of a sustainable fog computing ecosystem for extensive IoT networks. In addition, opens the door for interested researchers to follow and continue the vision of energy-efficient computing.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».