Resource pooling in network virtualization and heterogeneous scenarios using Stochastic Petri nets
Notice bibliographique
Résumé
Wireless cellular networks are undergoing severe changes due to the ever increasing demand of data rate. Additionally, the demand is more and more heterogeneous (imbalanced) in time and space. Sudden peaks in demand at a certain location have to be absorbed by the network. While operators traditionally over-provisioned their own separate network capacity in order to reduce the blocking and overload probabilities, this approach seems no longer economically viable. Instead, the idea of network virtualization (NV) emerged. One aspect of NV is that resources from all operators are pooled together. Shared and virtualized resources can be better distributed among all users compared to having separate subsets of users to separate subsets of resources. This holds especially if the demand is imbalanced among the operators, as shown in this paper. In this paper the stochastic Petri net (SPN) paradigm is used to provide with a compact model of NV resource pooling (RP). In contrast to the equivalent but tedious analysis of Markovian systems the SPN approach allows a quick numeric performance evaluation with tool support, thus olfering a strong modeling advantage. The scenarios analyzed here are networks of separate operators and resources, compared to one virtualized network. In a second step the scenario includes heterogeneity in demand, i.e., a load imbalance between the providers and results show much higher gains in this unbalance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».