論文の概要: Allocating Duplicate Copies for IoT Data in Cloud Computing Based on Harmony Search Algorithm

• arxiv url: http://arxiv.org/abs/2202.13880v1
• Date: Wed, 9 Feb 2022 16:19:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-06 15:36:00.183068
• Title: Allocating Duplicate Copies for IoT Data in Cloud Computing Based on Harmony Search Algorithm
• Title（参考訳）: Harmony Searchアルゴリズムに基づくクラウドコンピューティングにおけるIoTデータの重複コピーの割り当て
• Authors: Younes Jahandideh, A. Mirzaei
• Abstract要約: 本稿では,クラウドコンピューティング環境におけるIoTデータにレプリカを割り当てるための,調和探索(HS)アルゴリズムに基づくアプローチを提案する。 実装結果によると,提案手法は他の手法よりも優れており,データアクセス時間や遅延,エネルギー消費を大幅に低減することができた。
• 参考スコア（独自算出の注目度）: 0.618778092044887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Internet of things (IoT) generates a plethora of data nowadays, and cloud computing has been introduced as an efficient solution to IoT data management. A cloud resource administrator usually adopts the replication strategy to guarantee the reliability of IoT data. This mechanism can significantly reduce data access time, and evidently, more replicas of data increase the data storage cost. Furthermore, the process of selecting mini clouds for replica allocation and sorting replicas in mini clouds is considered an NP-hard problem. Therefore, this paper proposes an approach based on the harmony search (HS) algorithm to allocate replicas to the IoT data in the cloud computing environment in order to mitigate the data access cost. The HS algorithm was employed in the proposed approach to determine the best location for data replication in the cloud computing environment. According to the implementation results, the proposed approach outperformed the other methods and managed to significantly decrease data access time and delay as well as energy consumption.
• Abstract（参考訳）: モノのインターネット(IoT)は現在、大量のデータを生成しており、クラウドコンピューティングはIoTデータ管理の効率的なソリューションとして導入されています。 クラウドリソース管理者は通常、IoTデータの信頼性を保証するためにレプリケーション戦略を採用する。 このメカニズムはデータアクセス時間を著しく短縮することができ、明らかにデータのレプリカがデータストレージコストを増大させる。 さらに、ミニクラウドのレプリカ割り当てと複製のソートのためにミニクラウドを選択するプロセスはnp-hard問題であると考えられる。 そこで本稿では,クラウドコンピューティング環境におけるIoTデータにレプリカを割り当てることにより,データアクセスコストの低減を図るために,調和探索(HS)アルゴリズムに基づくアプローチを提案する。 HSアルゴリズムは、クラウドコンピューティング環境でデータレプリケーションを行う最適な場所を決定するために提案手法に採用された。 実装結果によると,提案手法は他の手法よりも優れており,データアクセス時間や遅延,エネルギー消費を大幅に低減することができた。

関連論文リスト

• Towards using Reinforcement Learning for Scaling and Data Replication in Cloud Systems [0.49157446832511503]
  強化学習はクラウドコンピューティングに関連する多くの領域で使われており、自動データレプリケーション戦略を得るための有望な分野である。 本研究では、強化学習(RL)に基づくデータ複製戦略とデータスケーリングについて調査する。
  論文  参考訳（メタデータ） (2024-10-07T11:32:35Z)
• Feature Selection using the concept of Peafowl Mating in IDS [2.184775414778289]
  クラウドコンピューティングはインフラストラクチャベース、プラットフォームベース、ソフトウェアベースのサービスを提供します。 この技術の人気は、パフォーマンス、高いレベルのコンピューティング能力、低コストのサービス、スケーラビリティ、可用性、柔軟性にある。 クラウド環境におけるデータの入手性とオープン性は、サイバー攻撃の世界に対して脆弱である。 侵入検知システムを用いて攻撃を検知し、情報セキュリティを確保する。
  論文  参考訳（メタデータ） (2024-02-03T06:04:49Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Outsourcing Training without Uploading Data via Efficient Collaborative Open-Source Sampling [49.87637449243698]
  従来のアウトソーシングでは、デバイスデータをクラウドサーバにアップロードする必要がある。 我々は、公開および異種ソースから収集された膨大なデータセットである、広く利用可能なオープンソースデータを活用することを提案する。 我々は,オープンソースデータからクラウドトレーニングのためのプロキシデータセットを構築するための,ECOS(Efficient Collaborative Open-source Sampling)と呼ばれる新しい戦略を開発した。
  論文  参考訳（メタデータ） (2022-10-23T00:12:18Z)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• Data augmentation through multivariate scenario forecasting in Data Centers using Generative Adversarial Networks [0.18416014644193063]
  人工知能に基づくグローバルなエネルギー効率戦略を実現する上での大きな課題は、アルゴリズムを供給するために大量のデータが必要であることです。 本稿では,データセンタ内の合成シナリオ予測に基づく時系列データ拡張手法を提案する。 我々の研究は、データセンターで消費されるエネルギーを最適化するのに役立ちます。
  論文  参考訳（メタデータ） (2022-01-12T15:09:10Z)
• Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
  本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。 最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。 提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
  論文  参考訳（メタデータ） (2021-11-26T18:44:59Z)
• The MIT Supercloud Dataset [3.375826083518709]
  我々は、大規模なHPCとデータセンター/クラウドオペレーションの分析において、革新的なAI/MLアプローチを促進することを目的とした、MIT Supercloudデータセットを紹介します。 我々は、ジョブ毎のCPUおよびGPU使用率、メモリ使用率、ファイルシステムログ、物理モニタリングデータを含む、MIT Supercloudシステムから詳細な監視ログを提供する。 本稿では,データセットの詳細,収集手法,データ可用性について論じ,このデータを用いて開発されている潜在的な課題について論じる。
  論文  参考訳（メタデータ） (2021-08-04T13:06:17Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• Stacked Auto Encoder Based Deep Reinforcement Learning for Online Resource Scheduling in Large-Scale MEC Networks [44.40722828581203]
  オンラインリソーススケジューリングフレームワークは、IoT(Internet of Things)の全ユーザに対して、重み付けされたタスクレイテンシの総和を最小化するために提案されている。 以下を含む深層強化学習(DRL)に基づく解法を提案する。 DRLがポリシーネットワークをトレーニングし、最適なオフロードポリシーを見つけるのを支援するために、保存および優先されたエクスペリエンスリプレイ(2p-ER)を導入する。
  論文  参考訳（メタデータ） (2020-01-24T23:01:15Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。