Intelligent and Autonomous Edge Slicing for IoT Systems
Notice bibliographique
Résumé
Edge intelligence is rapidly emerging as a pivotal platform for supporting future IoT networks. The integration of artificial intelligence and machine learning (AI/ML) with edge computing furnishes a new era in which edge systems can learn environment dynamics and optimize resource autoscaling policies. However, the heterogeneity of IoT networks, characterized by diverse applications and requirements, necessitates edge systems with advanced intelligence to tailor resource autoscaling policies to specific environments. Despite ongoing research in edge intelligence, most studies have focused on a single environment or service type, thereby limiting their applicability to real-world scenarios with varied IoT services. To address this limitation, we propose the intelligent and autonomous edge slicing (IAES) system, a novel approach designed to recognize diverse IoT environments and implement per-slice resource allocation policies. IAES leverages deep reinforcement learning (DRL), namely, dueling double deep Q-networks (D3QN), to optimize resource autoscaling across distinct IoT environments, such as smart cities, eHealth, and smart factories. Additionally, IAES incorporates an intelligent environment classification component that utilizes joint traffic prediction and classification models. Several AI algorithms such as long short-term memory (LSTM), convolutional neural networks (CNN), and multilayer perceptron networks (MLP), are evaluated for their efficacy in predicting IoT environments. Simulation experiments demonstrate that the IAES system achieves a 50-60% reduction in system costs compared to both rule-based commercial autoscaling employed in Kubernetes systems and an intelligent prediction-based autoscaling algorithm.
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 | 0,001 | 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 | 0,000 | 0,000 |
| 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 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 ».