Cost Efficient Query Optimization in Mobile Environment
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.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».