Cost Efficient Query Optimization in Mobile Environment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Today, we live in the world of internet. With the advancement of technology, the amount of data access has increased too many folds. Internet access now is not only limited to computer devices but can now be easily accessed through mobile devices viz. Smartphones, tablets, PDA's. The internet is now available to every common man, and with its use he fires many queries on servers and uploads or downloads data from the internet. In fact, 90% of the world's data came in existence in the last three-four years, and that too because the internet is readily available to each and every common individual. Of these, much data is being uploaded and queried upon by mobile devices. As the number of devices for Internet access has increased, and so is the number of queries fired by the users on a particular server. The time taken by a query to process totally depends on the complexity involved in joining the tables distributed along the network and finally extracting the desired result out of it. Processing and optimization of various queries in mobile devices involve much join computation among data present at different sites that may be static or mobile which in turn requires much energy consumption. A mobile device has limited energy, so, it must be utilized efficiently. Much research work have been done till now, in the field of mobile computation and making efficient use of energy. However, as the mobile devices possess some asymmetric features, and because of that the old techniques used in distributed databases cannot be applied directly. This paper brings out some methods, to efficiently utilize mobile energy by employing per split semi-join using MapReduce Framework of Hadoop.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 découle