Predictive Worker Resource Characterization at the Extreme Edge
Notice bibliographique
Résumé
Extreme Edge Computing (EEC) promises to enhance the Quality of Service of data-intensive and delay-critical IoT applications. Deploying EEC is challenging due to reliance on user-owned Extreme Edge Devices (EEDs) with heterogeneous computational and communication capabilities and dynamic user behaviors causing resource volatility. This volatility complicates the accurate estimation of EED computational capabilities, a critical step for efcient task allocation in EEC systems. Previous research characterizes EED capabilities simplistically by allocating benchmark tasks without accounting for resource volatility, using insufcient performance indicators, and reactively adjusting EEC task allocation only after volatility impacts system operations. In this thesis, we propose a comprehensive framework for predictively characterizing the computational resources of EEDs according to their dynamic resource usage to address this challenge. The framework consists of four key components that: 1) emulate dynamic user-access behaviors and generate resource usage data, 2) forecast resource usage states efciently over multi-step horizons, 3) allocate benchmark tasks based on predicted states to characterize EED capabilities, and 4) dynamically allocate EEC tasks based on adaptive worker characterization. Extensive experiments on a realistic EED testbed with an interactive monitoring dashboard demonstrate our framework’s efcacy in improving EEC task allocation performance, reducing execution latency, and increasing throughput without overloading device resources, compared to prominent existing 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.
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 | 0,000 | 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 | 0,000 | 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 ».