3C Resource Allocation for Next-Generation Applications in an In-Network Computing-Enabled Edge-Cloud Continuum
Notice bibliographique
Résumé
Amidst the emergence of immersive applications, such as, the metaverse, Virtual Reality (VR), Augmented Reality (AR), and Holography, it is clear that substantial enhancements to our existing internet infrastructure are imperative. Fulfilling the stringent Quality of Service (QoS) requirements—which include ultra-low latency, high bandwidth, and optimal frame refresh rates—hinges on the seamless integration of Communication, Caching, and Computing, collectively referred to as the "3C". These elements must be interwoven within the network fabric. Our study presents a novel approach to optimize these 3C resources within a network framework that incorporates Edge and Cloud computing, and In-Network Computing (INC). We propose a resource allocation solution tailored to networks enabled by INC. We aim to efficiently manage the distribution of Service Function Chains and the storage of relevant data for immersive applications. Given the inherent complexity of the tackled problem, we propose two solutions: a Particle Swarm Optimization (PSO)-based meta-heuristic and a simpler, yet effective, greedy heuristic. Our comprehensive simulations, grounded in realistic VR scenarios, validate the effectiveness of the proposed solution, which not only enhances resource efficiency and reduces operational costs but also guarantees high refresh rates and maintains a Motion-To-Photon latency under 22 ms.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».