FLAIR: QoS-Aware Scheduling and Workload Placement in Fog-Enabled Smart Manufacturing Warehouses
Notice bibliographique
Résumé
Smart manufacturing environments rely on timely detection of critical events to preserve operational safety and efficiency. Fog computing offers a promising alternative to cloud-based systems by processing image and video data from IoT devices and sensors on fog nodes located near the data sources, or the edge, enabling faster and more efficient detection of anomalies within the manufacturing warehouse. These fog nodes are heterogeneous, meaning they handle a wide variety of dynamic and diverse workloads. However, they remain resource-constrained and highly sensitive to the variability of these workloads. This paper presents FLAIR (Fog Layer Architecture with Intelligent Routing), a fog-native workload placement framework designed to meet strict latency-based Quality of Service (QoS) requirements for real-time classification tasks. FLAIR combines three key components: (1) a predictive data-driven Response Time Model (RTM) trained using AutoML; (2) a Digital Twin mechanism that simulates co-location scenarios to estimate resource utilization; and (3) a lightweight, threshold-based placement algorithm that selects a feasible node when a new critical workload arrives. Experimental evaluations show that FLAIR consistently outperforms traditional Queuing Network Models (QNM), especially in heterogeneous deployments, reducing mean absolute percentage error (MAPE) from 39.56% to 6.43% and avoiding incorrect placement decisions that violate QoS constraints. These results underscore FLAIR’s effectiveness in supporting latency-critical classification tasks in a heterogeneous fog infrastructure within a smart manufacturing warehouse environment.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».