Data Driven Deep Neural Network Based Task Offloading on Edge Cloud Continuum
Notice bibliographique
Résumé
Edge computing reduces bandwidth bottlenecks and latency by performing computations close to end-users, making it a viable option for application task offloading. Owing to its limited computational capacity, the cloud may need to be considered with the edge for offloading. Task offloading is challenging, because of the availability of limited resources, dynamically changing network conditions, and concurrent user access. Mathematical task offloading approaches may be incapable of capturing dynamic network situations in large end-to-end network models. We propose D2-TONE (Data-driven Deep Neural Network Task Offloading on the Network Edge), an approach that employs Machine Learning (ML) algorithms to accurately estimate offloading costs, such as computation and transmission costs. D2-TONE adapts holistically to dynamic network situations, and provides optimal/near-optimal offloading solutions in real-time. In addition, D2-TONE employs the distributed execution of Deep Neural Network (DNN) training tasks on the edge-cloud continuum. Experiments revealed that D2-TONE reduces the training time by 1.55 to 2.77 times, compared to baseline approaches. In addition, the edge based D2-TONE offers an improvement of 55-76% in the data processing ratio, compared to other offloading approaches.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».