Smart mobile devices (SMDs) can meet users' high expectations by executing computational intensive applications but they only have limited resources, including CPU, memory, battery power, and wireless medium. To tackle this limitation, partial computation offloading can be used as a promising method to schedule some tasks of applications from resource-limited SMDs to high-performance edge servers. However, it brings communication overhead issues caused by limited bandwidth and inevitably increases the latency of tasks offloaded to edge servers. Therefore, it is highly challenging to achieve a balance between high-resource consumption in SMDs and high communication cost for providing energy-efficient and latency-low services to users. This work proposes a partial computation offloading method to minimize the total energy consumed by SMDs and edge servers by jointly optimizing the offloading ratio of tasks, CPU speeds of SMDs, allocated bandwidth of available channels, and transmission power of each SMD in each time slot. It jointly considers the execution time of tasks performed in SMDs and edge servers, and transmission time of data. It also jointly considers latency limits, CPU speeds, transmission power limits, available energy of SMDs, and the maximum number of CPU cycles and memories in edge servers. Considering these factors, a nonlinear constrained optimization problem is formulated and solved by a novel hybrid metaheuristic algorithm named genetic simulated annealing-based particle swarm optimization (GSP) to produce a close-to-optimal solution. GSP achieves joint optimization of computation offloading between a cloud data center and the edge, and resource allocation in the data center. Real-life data-based experimental results prove that it achieves lower energy consumption in less convergence time than its three typical peers.

The economy of scale provided by cloud attracts a growing number of organizations and industrial companies to deploy their applications in cloud data centers (CDCs) and to provide services to users around the world. The uncertainty of arriving tasks makes it a big challenge for private CDC to cost-effectively schedule delay bounded tasks without exceeding their delay bounds. Unlike previous studies, this paper takes into account the cost minimization problem for private CDC in hybrid clouds, where the energy price of private CDC and execution price of public clouds both show the temporal diversity. Then, this paper proposes a temporal task scheduling algorithm (TTSA) to effectively dispatch all arriving tasks to private CDC and public clouds. In each iteration of TTSA, the cost minimization problem is modeled as a mixed integer linear program and solved by a hybrid simulated-annealing particle-swarm-optimization. The experimental results demonstrate that compared with the existing methods, the optimal or suboptimal scheduling strategy produced by TTSA can efficiently increase the throughput and reduce the cost of private CDC while meeting the delay bounds of all the tasks.

The objective of this research is to clarify the impact of periodontitis on overall and cardiovascular-related death rates among hypertensive individuals. A total of 5665 individuals with hypertension were included from the National Health and Nutrition Examination Survey (NHANES) data spanning 2001–2004 and 2009–2014. These individuals were divided into two groups based on the presence or absence of periodontitis and further stratified by the severity of periodontitis. We employed weighted multivariate Cox proportional hazards regression and Kaplan-Meier curves (log-rank test) to evaluate the impact of periodontitis on all-cause and cardiovascular mortality. Additional analyses, including adjustments for various covariates, subgroups, and sensitivity analyses, were conducted to ensure the robustness and reliability of our results. Over an average follow-up duration of 10.22 years, there were 1,122 all-cause and 297 cardiovascular deaths. Individuals with periodontitis exhibited an elevated risk of all-cause mortality (HR = 1.33, 95% CI 1.18–1.51; p < 0.0001) and cardiovascular mortality (HR = 1.48, 95% CI 1.15–1.89; p = 0.002). Moreover, we observed a progressive increase in both all-cause mortality and cardiovascular mortality (p for trend are both lower than 0.001) and correlating with the severity of periodontitis. These associations remained consistent across various subgroup and sensitivity analyses. Our findings suggest a significant association between periodontitis and increased risks of all-cause and cardiovascular mortality among hypertensive individuals. Notably, the severity of periodontitis appears to be a critical factor, with moderate to severe cases exerting a more pronounced impact on all-cause mortality. Additionally, cardiovascular disease mortality significantlly increases in individuals with varying degrees of periodontitis.

In recent years, cloud computing has witnessed widespread applications across numerous organizations. Predicting workload and computing resource data can facilitate proactive service operation management, leading to substantial improvements in quality of service and cost efficiency. However, these data often exhibit non-linearity, high volatility, and interdependencies across different categories, presenting challenges for accurate forecasting. Consequently, there is a critical need to develop a method that thoroughly and comprehensively analyzes all available data to forecast future trends effectively. This work proposes a novel integrated data-enhanced prediction model named SVAPI for achieving high-accuracy workload prediction in cloud computing systems. SVAPI employs the Savitzky-Golay filter, Variational mode decomposition, and the mode selection based on Amplitude-aware Permutation entropy for feature processing, whose features are subsequently utilized by Informer for multivariate joint analysis of the enhanced data, achieving high-precision prediction. Ablation and comparative experiments with advanced prediction models are conducted on the Google cluster trace and other typical datasets. Realistic data-driven results indicate that SVAPI improves the prediction accuracy by 37.7% compared to the original Informer, with each module contributing to the performance enhancement. Furthermore, compared with Autoformer, SVAPI enhances the prediction accuracy of workload, CPU, and memory by 65.6%, 66.9%, and 70.8%, respectively, demonstrating that SVAPI owns strong abilities in noise filtering, feature processing, and multivariate joint analysis for achieving higher prediction accuracy.