A Geolocation-Based Framework for Discovering Extreme Edge Devices
Notice bibliographique
Résumé
Traditional cloud computing architectures, despite their massive centralized capacity, remain inadequate for latency-sensitive and mission-critical applications due to inherent communication delays, bandwidth limitations, and the risks associated with centralized control. Applications such as autonomous systems, real-time analytics, and immersive media demand computing infrastructures that are more responsive, adaptive, and resilient. Extreme edge computing (XEC) has emerged as a promising paradigm to address these challenges by shifting computation to the periphery of the network and harnessing underutilized resources on user-owned devices such as laptops, smartphones, and IoT sensors. By enabling ultra-low latency processing, localized responsiveness, and greater fault tolerance in environments where connectivity may be intermittent, XEC reduces reliance on distant cloud infrastructures while unlocking new forms of participatory, decentralized computation. As part of this exploration, our work developed a real-time geolocation dashboard to demonstrate how edge devices can be discovered and monitored for their suitability as computing nodes. The framework integrates browser-based geolocation services with geohash encoding to organize devices spatially, while WebSocket communication and a live InstantDB backend enable continuous synchronization of status information. Metadata, including IP address, operating system, CPU cores, and battery status, is captured in real time to support dynamic assessments of device availability and capability. A React-based interface visualizes devices on an interactive map, offering proximity grouping and dynamic status indicators to assist in the identification of optimal nodes for task offloading. This work contributes an enabling tool that demonstrates the feasibility of real-time edge device monitoring and coordination. By making the process of discovering and evaluating edge devices more transparent and accessible, the framework lays groundwork for future systems that aim to operationalize extreme edge computing and move further beyond dependence on centralized cloud infrastructures.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».