| مشخصات مقاله | |
| ترجمه عنوان مقاله | تخصیص کش همکاری و زمان بندی کار برای برنامه های کاربردی با فشرده سازی اطلاعات در محیط محاسبات لبه |
| عنوان انگلیسی مقاله | Collaborative cache allocation and task scheduling for data-intensive applications in edge computing environment |
| انتشار | مقاله سال 2019 |
| تعداد صفحات مقاله انگلیسی | 33 صفحه |
| هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
| پایگاه داده | نشریه الزویر |
| نوع نگارش مقاله |
مقاله پژوهشی (Research article) |
| مقاله بیس | این مقاله بیس نمیباشد |
| نمایه (index) | scopus – master journals – JCR |
| نوع مقاله | ISI |
| فرمت مقاله انگلیسی | |
| ایمپکت فاکتور(IF) |
5.341 در سال 2017 |
| شاخص H_index | 85 در سال 2019 |
| شاخص SJR | 0.844 در سال 2017 |
| شناسه ISSN | 0167-739X |
| شاخص Quartile (چارک) | Q1 در سال 2017 |
| رشته های مرتبط | مهندسی کامپیوتر |
| گرایش های مرتبط | معماری سیستم های کامپیوتری – الگوریتم و محاسبات |
| نوع ارائه مقاله |
ژورنال |
| مجله / کنفرانس | سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems |
| دانشگاه | Department of Computer Science, Wuhan University of Technology, Wuhan 430063, China |
| کلمات کلیدی | محاسبات لبه، گمارش کش، زمان بندی کار، گراف دو قسمتی وزن دار |
| کلمات کلیدی انگلیسی | Edge computing, Cache placement, Task scheduling, Weighted bipartite graph |
| شناسه دیجیتال – doi |
https://doi.org/10.1016/j.future.2019.01.007 |
| کد محصول | E11986 |
| وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
| دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
| سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
| فهرست مطالب مقاله: |
| Outline Highlights Abstract Keywords 1. Introduction 2. Related work 3. Cache-aware task scheduling method in edge computing 4. Performance evaluation 5. Conclusion Acknowledgments References |
| بخشی از متن مقاله: |
| Abstract In the wake of the development of mobile devices, how to provide low-latency mobile services with the limited battery power is attracting more and more attention. A novel paradigm, edge computing, can make services closer to users, which can dramatically reduce the latency and improve battery life of UEs. However, inappropriate placement and utilization of caching can degrade the system performance. In this paper, a cache-aware task scheduling method in edge computing is proposed. First, an integrated utility function is derived with respect to the data chunk transmission cost, caching value and cache replacement penalty. Data chunks are cached at optimal edge servers to maximize the integrated utility value. After placing the caches, a cache locality-based task scheduling method is presented. We model the task scheduling problem as a weighted bipartite graph. Weights of edges of the graph are mainly influenced by the locations of the required data. During each heartbeat, maximal weighted matching between tasks and resources are obtained. All the proposed algorithms have polynomial time complexities which are acceptable in edge computing. Furthermore, extensive experiments show that the cache-aware task scheduling algorithm outperforms other baseline algorithms in terms of the cache hit ratio, data locality, data transmission time, task response time and energy consumption costs. |