論文の概要: PLATOS: A Power and Latency-Aware Task-Oriented Scheduling Strategy for Healthcare IoT in Fog Computing

• arxiv url: http://arxiv.org/abs/2609.07318v1
• Date: Mon, 07 Sep 2026 10:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.412319
• Title: PLATOS: A Power and Latency-Aware Task-Oriented Scheduling Strategy for Healthcare IoT in Fog Computing
• Title（参考訳）: PLATOS: フォグコンピューティングにおけるヘルスケアIoTのためのパワーとレイテンシを意識したタスク指向スケジューリング戦略
• Abstract要約: 本研究では,HIoTタスクのタスク指向スケジューリングにより,消費電力とレイテンシの両方を最適化する新しいスケジューリング手法を提案する。 iFogSim2で実施されたシミュレーション実験では、PLATOSは最先端技術と比較してエネルギー消費を18.72%削減し、遅延を8.65%削減することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Healthcare Internet of Things (HIoT) technology is revolutionising the healthcare industry by enabling real-time data collection and analysis for personalised patient care. However, the rapid expansion of HIoT technology introduces challenges such as increased latency and higher energy consumption in fog computing environments, particularly when managing battery-operated devices. To address these issues, this work proposes a novel scheduling strategy that optimises both power consumption and latency through task-oriented scheduling for HIoT tasks. The proposed strategy, named PLATOS (Power and Latency Aware Task Oriented Scheduling), is implemented in four sequential phases. In the first phase, HIoT tasks are categorised into three groups: priority-oriented, storage-oriented, and computational-oriented. The second phase focuses on latency optimisation by identifying the fog computing resources that yield the lowest execution delay for each task category. In the third phase, power optimisation is achieved by selecting the resources that minimise energy consumption. Finally, in the decision-making phase, high-performance fog resources are allocated to high-priority tasks while the remaining tasks are scheduled based on a mapped list derived from the latency and power optimisation phases. Simulation experiments conducted in iFogSim2 demonstrate that PLATOS reduces energy consumption by 18.72% and latency by 8.65% when compared to the state-of-the-art. These improvements enhance the efficiency and responsiveness of HIoT systems and contribute to more effective patient care and proactive healthcare service delivery.
• Abstract（参考訳）: HIoT(Healthcare Internet of Things)技術は、個人化された患者ケアのためのリアルタイムデータ収集と分析を可能にすることで、医療産業に革命をもたらしている。 しかし、HIoT技術の急速な拡張は、特にバッテリオペレーテッドデバイスを管理する場合、フォグコンピューティング環境でのレイテンシの増加やエネルギー消費の増加といった課題をもたらす。 これらの課題に対処するため、HIoTタスクのタスク指向スケジューリングを通じて消費電力とレイテンシの両方を最適化する新しいスケジューリング戦略を提案する。 提案手法はPLATOS (Power and Latency Aware Task Oriented Scheduling) と呼ばれ,4段階に分けて実装されている。 第1フェーズでは、HIoTタスクは優先順位指向、ストレージ指向、計算指向の3つのグループに分類される。 第2フェーズでは、各タスクカテゴリで最低実行遅延をもたらすフォグコンピューティングリソースを特定することで、レイテンシの最適化に焦点を当てている。 第3段階では、エネルギー消費を最小化する資源を選択することで電力最適化が達成される。 最後に、意思決定段階では、高優先度タスクに高性能霧資源を割り当て、残りのタスクは、レイテンシと電力最適化フェーズから導出したマップリストに基づいてスケジュールする。 iFogSim2で実施されたシミュレーション実験では、PLATOSは最先端技術と比較してエネルギー消費を18.72%削減し、遅延を8.65%削減することを示した。 これらの改善により、HIoTシステムの効率性と応答性が向上し、より効果的な患者ケアと積極的な医療サービス提供に寄与する。

関連論文リスト

• TS-DP: Reinforcement Speculative Decoding For Temporal Adaptive Diffusion Policy Acceleration [64.32072516882947]
  拡散ポリシーは、具体的制御が優れているが、高い推論遅延と計算コストに悩まされている。 時間認識強化に基づく投機的拡散政策(TS-DP)を提案する。 TS-DPは94%以上のドラフトで最大4.17倍高速な推論を実現し、推論周波数は25Hzに達した。
  論文  参考訳（メタデータ） (2025-12-13T07:53:14Z)
• A Model Aware AIGC Task Offloading Algorithm in IIoT Edge Computing [17.145160867363053]
  本稿では,IoTエッジコンピューティング環境に適したAIGCタスクオフロードフレームワークを提案する。 IIoTデバイスは、協調的に動的AIGCタスクを最も適切なエッジサーバにオフロードするマルチエージェントとして機能した。 マルチエージェントのDeep Deterministic Policy Gradient(MADDPG-MATO)に基づくAIGCタスクオフロードアルゴリズムを設計し,遅延とエネルギーを最小化する。
  論文  参考訳（メタデータ） (2025-07-14T09:32:14Z)
• Cooperative Task Offloading through Asynchronous Deep Reinforcement Learning in Mobile Edge Computing for Future Networks [2.9057981978152116]
  我々はTransformer-driven Prediction (CTO-TP) を用いたレイテンシとエネルギー効率のよい協調タスクオフロードフレームワークを提案する。 提案したCTO-TPアルゴリズムは,ベースライン方式と比較して,システム全体の80%のレイテンシと87%のエネルギー消費を削減している。
  論文  参考訳（メタデータ） (2025-04-24T13:12:12Z)
• ORIENT: A Priority-Aware Energy-Efficient Approach for Latency-Sensitive Applications in 6G [15.753216159980434]
  コンピューティングとネットワークにおけるエネルギー消費の増加に関する懸念が高まっている。 接続デバイスとリソース需要アプリケーションの増加は、エネルギー資源に対する前例のない課題を呈している。 PIRAと呼ばれるサービスインスタンス配置・割り当て・経路選択・要求優先順位付けの連立問題について検討する。
  論文  参考訳（メタデータ） (2024-02-10T12:05:52Z)
• 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)
• Computation Offloading and Resource Allocation in F-RANs: A Federated Deep Reinforcement Learning Approach [67.06539298956854]
  フォグ無線アクセスネットワーク(フォグ無線アクセスネットワーク、F-RAN)は、ユーザのモバイルデバイス(MD)が計算タスクを近くのフォグアクセスポイント(F-AP)にオフロードできる有望な技術である。
  論文  参考訳（メタデータ） (2022-06-13T02:19:20Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• EdgeBERT: Sentence-Level Energy Optimizations for Latency-Aware Multi-Task NLP Inference [82.1584439276834]
  BERTのようなトランスフォーマーベースの言語モデルでは、自然言語処理(NLP)タスクの精度が大幅に向上する。 We present EdgeBERT, a in-deepth algorithm- hardware co-design for latency-aware energy optimization for multi-task NLP。
  論文  参考訳（メタデータ） (2020-11-28T19:21:47Z)
• Deep Reinforcement Learning for Stochastic Computation Offloading in Digital Twin Networks [1.0509026467663467]
  Digital Twinは、産業用モノのインターネット(IIoT)のデジタルトランスフォーメーションを強化するための有望な技術である 我々はまず,ネットワークトポロジとタスク到着モデルを構築するための新しいパラダイムであるDigital Twin Networks (DTN)を提案する。 次に, 長期エネルギー効率を最小化するために, 計算オフロード問題と資源配分問題を定式化する。
  論文  参考訳（メタデータ） (2020-11-17T05:40:16Z)
• Deep Reinforcement Learning for Delay-Oriented IoT Task Scheduling in Space-Air-Ground Integrated Network [24.022108191145527]
  宇宙空間統合ネットワーク(SAGIN)における遅延指向モノのインターネット(IoT)サービスにおけるタスクスケジューリング問題について検討する。 検討されたシナリオでは、無人航空機(UAV)がIoTデバイスからコンピューティングタスクを収集し、オンラインのオフロード決定を行う。 我々の目的は、UAVエネルギー容量の制約により、タスクのオフロードと計算遅延を最小限に抑えるタスクスケジューリングポリシーを設計することである。
  論文  参考訳（メタデータ） (2020-10-04T02:58:03Z)

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。