論文の概要: An energy efficient service composition mechanism using a hybrid
meta-heuristic algorithm in a mobile cloud environment
- arxiv url: http://arxiv.org/abs/2006.16771v1
- Date: Tue, 19 May 2020 21:38:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 14:08:45.164988
- Title: An energy efficient service composition mechanism using a hybrid
meta-heuristic algorithm in a mobile cloud environment
- Title（参考訳）: ハイブリッドメタヒューリスティックアルゴリズムを用いたモバイルクラウド環境におけるエネルギー効率の良いサービス構成機構
- Authors: Godar J. Ibrahim, Tarik A. Rashid, Mobayode O. Akinsolu
- Abstract要約: ハイブリッドShuffled Frog Leaping Algorithm and Genetic Algorithm (SFGA)を用いた移動体クラウドサービス合成の最適化にエネルギー認識機構を適用した。
実験結果から,提案機構は,現在のアルゴリズムに対する移動体クラウドコンポーネントの最小エネルギー消費,応答時間,コストで,サービス構成の実現可能性を向上させることが示唆された。
- 参考スコア（独自算出の注目度）: 0.9990687944474739
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: By increasing mobile devices in technology and human life, using a runtime
and mobile services has gotten more complex along with the composition of a
large number of atomic services. Different services are provided by mobile
cloud components to represent the non-functional properties as Quality of
Service (QoS), which is applied by a set of standards. On the other hand, the
growth of the energy-source heterogeneity in mobile clouds is an emerging
challenge according to the energy-saving problem in mobile nodes. To mobile
cloud service composition as an NP-Hard problem, an efficient selection method
should be taken by problem using optimal energy-aware methods that can extend
the deployment and interoperability of mobile cloud components. Also, an
energy-aware service composition mechanism is required to preserve high energy
saving scenarios for mobile cloud components. In this paper, an energy-aware
mechanism is applied to optimize mobile cloud service composition using a
hybrid Shuffled Frog Leaping Algorithm and Genetic Algorithm (SFGA).
Experimental results capture that the proposed mechanism improves the
feasibility of the service composition with minimum energy consumption,
response time, and cost for mobile cloud components against some current
algorithms.
- Abstract（参考訳）: テクノロジとヒューマンライフにおけるモバイルデバイスの増加により、多数のアトミックサービスの構成とともに、ランタイムとモバイルサービスの使用はより複雑になっています。
異なるサービスはモバイルクラウドコンポーネントによって提供され、一連の標準で適用されるQuality of Service (QoS)として機能しない特性を表す。
一方,モバイル・ノードの省エネ問題により,モバイル・クラウドにおけるエネルギー源の不均一性の増大が課題となっている。
np-hard問題としてのモバイルクラウドサービスの構成には,モバイルクラウドコンポーネントの展開と相互運用性を拡張可能な,最適なエネルギアウェア方式による効率的な選択方法が考えられる。
また,移動体クラウドコンポーネントの省エネシナリオを維持するため,エネルギー対応型サービス構成機構も必要である。
本稿では,ハイブリッドシャッフルカエル跳躍アルゴリズムと遺伝的アルゴリズム(sfga)を用いて,モバイルクラウドサービスの構成を最適化するエネルギアウェア機構を提案する。
実験結果から,提案機構は,現在のアルゴリズムに対する移動体クラウドコンポーネントの最小エネルギー消費,応答時間,コストで,サービス構成の実現可能性を向上させる。
関連論文リスト
- Koopman based trajectory model and computation offloading for high mobility paradigm in ISAC enabled IoT system [0.0]
6G技術の進歩は、モバイルの技術進化に急速に浸透しつつある。
モバイル通信における統合されたセンシングと通信は、軌道予測と処理遅延を改善する可能性がある。
本研究では,多ユーザネットワークにおける資源配分最適化手法を提案する。
論文 参考訳（メタデータ） (2024-06-28T12:26:28Z) - A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。
我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
論文 参考訳（メタデータ） (2024-03-29T12:46:07Z) - Edge computing service deployment and task offloading based on
multi-task high-dimensional multi-objective optimization [5.64850919046892]
本研究では,マルチユーザ環境におけるサービス展開とタスクオフロードの課題について検討する。
レイテンシ、エネルギー消費、コストを考慮せずに安定したサービス提供を確保するために、ネットワークの信頼性も組み込まれている。
エッジサーバの適切な使用を促進するため、第4のタスクオフロード目的としてロードバランシングを導入している。
論文 参考訳（メタデータ） (2023-12-07T07:30:47Z) - A Metaheuristic-based Machine Learning Approach for Energy Prediction in
Mobile App Development [1.933681537640272]
本稿では,モバイルアプリケーション開発におけるエネルギー予測のために,メタヒューリスティックなアプローチによって強化されたヒストグラムに基づく勾配促進分類装置(HGBC)を提案する。
以上の結果から,線形集団サイズ (L-SHADE) の差分進化に対する成功史に基づくパラメータ適応が最適であることがわかった。
論文 参考訳（メタデータ） (2023-06-16T16:01:50Z) - Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A
Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。
地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。
本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-17T02:12:30Z) - Energy-Efficient Multi-Orchestrator Mobile Edge Learning [54.28419430315478]
Mobile Edge Learning(MEL)は、エッジデバイス上で機械学習(ML)モデルの分散トレーニングを特徴とする、協調学習パラダイムである。
MELでは、異なるデータセットで複数の学習タスクが共存する可能性がある。
本稿では, エネルギー消費, 精度, 解複雑性のトレードオフを容易にする軽量なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-02T07:37:10Z) - Performance and Energy-Aware Bi-objective Tasks Scheduling for Cloud
Data Centers [0.0]
クラウドコンピューティングはユーザタスクのリモート実行を可能にする。
スマートシティサービスやアプリケーションにおけるクラウドコンピューティングの普及には、qos(quality of services)に準拠したタスクをタイムリーに実行する必要がある
コンピューティングサーバーの使用の増加は、高エネルギー消費、運用コスト、および環境汚染の問題を強化します。
矛盾する性能とエネルギー目標をトレードオフするために、パフォーマンスとエネルギー最適化の二目的的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-25T08:55:57Z) - To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。
FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。
フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文 参考訳（メタデータ） (2020-12-22T02:54:18Z) - Communication Efficient Federated Learning with Energy Awareness over
Wireless Networks [51.645564534597625]
フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。
我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。
2つの最適化問題を定式化し、学習性能を最適化する。
FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-15T21:25:13Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。