Bibliographic record
Abstract
A computação em névoa é um paradigma no qual recursos computacionais estão próximos dos usuários finais, complementando a computação em nuvem e permitindo a execução de cargas de trabalho com latência reduzida.A computação em névoa permite o desenvolvimento de novas aplicações com requisitos de baixa latência e também pode melhorar a execução de aplicações típicas da nuvem.A infraestrutura de uma névoa é composta por nós névoa, que são dispositivos com recursos de processamento, comunicação, e armazenamento posicionados no contínuo entre os usuários finais e a nuvem.Um dos primeiros passos na criação de uma infraestrutura de computação em névoa é a determinação da localização de nós névoa.Essa decisão é fundamental pois os usuários são móveis e, consequentemente, os nós névoa precisam estar posicionados em diferentes regiões geográficas a fim de suportar os requisitos de latência das aplicações.Além disso, a localização de nós névoa, assim como a configuração de hardware dos nós, precisa considerar as demandas variáveis de usuários no tempo e espaço.Esta tese propõe soluções para a localização de nós névoa considerando diferentes aspectos de uma infraestrutura de computação em névoa.Primeiro, uma solução para reduzir as despesas de capital da infraestrutura é proposta.Segundo, a localização de nós névoa é decidida de forma a reduzir o consumo de energia dos dispositivos de usuários.Terceiro, soluções com nós névoa montados em veículos aéreos não tripulados (VANTs) são estudadas.Finalmente, um mecanismo de alocação de recursos para ambientes de névoa e nuvem é proposto.Todas soluções visam prover a melhor infraestrutura para usuários executando cargas de trabalho com requisitos de baixa latência.As diferentes soluções podem ser aplicadas individualmente ou combinadas.Nesta tese, o problema de localização de nós névoa é formulado com modelos de programação linear, e diferentes algoritmos heurísticos são propostos a fim de lidar com cenários representando áreas metropolitanas.Todas avaliações foram obtidas através de simulações.A avaliação das soluções desta tese foi feita através de simulações de áreas metropolitanas habitadas por milhões de pessoas.Nós névoa são caracterizados de acordo com sua localização e capacidade de processamento.VANTs com operações limitadas por baterias também são simulados como nós névoa.Os resultados mostram que, apesar da dificuldade de lidar com demandas variáveis, diferentes soluções são possíveis para reduzir a subutilização de recursos, como reduzir ligeiramente a aceitação de usuários a fim de reduzir os custos de implantação, ou empregar VANTs para processar picos de demandas.Os algoritmos propostos são escaláveis.Esta tese amplia o conhecimento do problema de localização de nós névoa e trabalhos futuros podem dar continuidade às soluções aqui propostas.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".