Managing opportunistic and dedicated resources in a bi-modal service deployment architecture
Bibliographic record
Abstract
Le gain de popularité de l'informatique orienté service fait des plateformes hôtes pour ces services un élément essentiel de l'Internet. Un exemple de plateforme est le centre de traitement de l'information qui se fie à des réserves de serveur-ressource statiques. Le contrôle direct des ressources permis par ce genre de système est un avantage, mais ces systèmes peuvent difficilement gérer des charges variables. Les systèmes ”peer-to-peer” permettent de redistribuer les ressources libres parmi les ordinateurs du réseau de façon opportuniste. Ce genre de système a le potentiel de créer une plateforme extensible, facile à déployer, et abordable. Par contre, la disponibilité incertaine des ressources rend très difficile de garantir la performance pour les applications informatiques distribuées sur ce genre de plateforme. Cette thèse présente une architecture bi-mode pour une plateforme hôte géographiquement réparti et rentable. L'architecture utilise une combinaison de ressources attribuées fixes et de ressources publiques attribuées de façon opportuniste afin d'assurer la performance du système. À la base, ce système cherche à gérer de fac¸on dynamique ces deux types de ressources afin d'obtenir l'extensibilité des ressources publiques et la performance assuré du système fixe tout en masquant comportement incertain. La combinaison a été exploré de deux manières différentes: les ressources informatiques bi-mode et les liens de communication bi-mode. Dans le premier cas, une combinaison d'ordinateurs dédiés et de ressources publiques provenant des ordinateurs des usagers a été exploité pour créer une plateforme visant les applications ayant de lourdes demandes de ressources tout en gardant une garantie sur le temps de réponse. Dans le second cas, une collection de serveurs dédiés réparties géographiquement connectés à une combinaison de liens dédiés et de liens publiques variables a été utilisé afin$
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".