面向雾环境中预测性复制的移动时间特性预测
分布式、并行与集群计算
2024-02-20 v4 机器学习
摘要
为充分利用雾环境的优势，高效管理数据局部性至关重要。盲目或被动的数据复制不足以发挥雾计算的潜力，需要更先进的技术来预测客户端将在何时何地连接。尽管空间预测已受到相当关注，时间预测仍研究不足。我们的论文通过考察将时间预测纳入现有空间预测模型的优势来填补这一空白。我们还提供了对时空预测模型（如深度神经网络和马尔可夫模型）在预测性复制背景下的全面分析。我们提出一种使用 Holt-Winter 指数平滑进行时间预测的新模型，利用顺序与周期性的用户移动模式。在带有真实用户轨迹的雾网络仿真中，我们的模型实现了多余数据减少 15%，而数据可用性仅边际下降 1%。
引用
@article{arxiv.2306.00575,
title = {Predicting Temporal Aspects of Movement for Predictive Replication in Fog Environments},
author = {Emil Balitzki and Tobias Pfandzelter and David Bermbach},
journal= {arXiv preprint arXiv:2306.00575},
year = {2024}
}