XiaoMi-AI文件搜索系统
World File Search System云雾
EMCS：一种针对基于云雾的物联网应用、使用进化学习方法的节能完工成本感知调度算法
摘要：物联网 (IoT) 的迅猛发展产生了大量的近距和遥感数据，随着可持续环境新解决方案的出现，这些数据还在不断增加。云计算通常用于帮助资源受限的物联网传感设备。然而，云服务器位于核心网络深处，距离物联网很远，引入了大量数据交易。这些交易需要大量电力消耗，并向环境释放有害的二氧化碳。一种位于网络边缘的分布式计算环境，即雾计算，已被推广，以减少云计算对物联网应用的限制。雾计算可以处理实时和延迟敏感的数据，并减少流量，从而最大限度地降低能耗。通过实施节能任务调度，可以减少额外的能耗，该调度根据最小完成时间、成本和能耗来决定在云或雾节点上执行任务。本文提出了一种称为节能完工成本感知调度 (EMCS) 的算法，该算法使用进化策略来优化执行时间、成本和能耗。通过大量模拟对本文工作的性能进行了评估。结果表明，在完工时间方面，EMCS 比成本完工感知调度 (CMaS) 好 67.1%，比异构最早完成时间 (HEFT) 好 58.79%，比蜜蜂生命算法 (BLA) 好 54.68%，比进化任务调度 (ETS) 好 47.81%。比较 EMCS 模型的成本，其成本比 CMaS 低 62.4%，比 BLA 低 26.41%，比 ETS 低 6.7%。在比较能耗时，EMCS 的能耗比 CMaS 低 11.55%，比 BLA 低 4.75%，比 ETS 低 3.19%。结果还表明，随着雾节点和云节点数量的增加，云节点和雾节点之间的平衡在完工时间、成本和能耗方面提供了更好的性能。
云雾网络中的节能分布式机器学习
我们建议基于量子误差检测的量子误差检测后的量子键发出（QKD）系统，该技术通过编码在量子中rep绕。在此类中继器中，量子误差校正技术用于纠缠蒸馏。通过开发一个分析性研究来研究此类量子中继器，我们表明，在QKD的背景下，使用误差检测而不是误差校正，基础代码的能力来筛选出检测到误差的案例通常更为有效。我们通过对系统的关键组件中的不同误差来源进行建模，以实现三分之二代码代码的技术。然后，我们详细研究了此类缺陷对QKD系统秘密密钥生成率的影响，以及如何使用纠缠交换和解码阶段中获得的信息来最大化速率。出于基准目的，我们在设置的不同组件中指定了可以获得正键率的不同组件中的最大允许错误率。