Adaptive SLA-based elasticity management algorithms for a virtualized IP multimedia subsystem
Notice bibliographique
Résumé
The IP Multimedia System (IMS) is an important reference service delivery platform for next generation networks and is considered as a de-facto standard for IP-based multimedia communication services. In its current design, the IMS faces important challenges in terms of scalability and elasticity, and lacks the ability to adaptively manage the network resources and dynamically dimension the network nodes based on load and demand. Network function virtualization and cloud computing are two important concepts that can be leveraged to address those challenges in IMS environments. In this work, we propose two adaptive SLA-based elasticity management algorithms for virtualized IMS environments. Our proposed algorithms use two SLA attributes (the call setup delay and user priority) to dynamically control the CPU resources allocated/de-allocated to virtualized IMS nodes. The aims of our proposed algorithms are: 1) to ensure efficient usage and sharing of CPU resources by various IMS components; 2) to reduce the overall power consumption in virtualized IMS platforms; and 3) to enhance the user experience when using IMS networks. We have tested the proposed algorithms by setting up a virtualized IMS environment using OpenIMS Core and Xen as the hypervisor. The results obtained show that our proposed algorithms meet the SLA constraints, even when subjected to dynamic load, thereby enhancing the overall QoS. We have also compared the proposed algorithms with Xen Server's existing CPU resource scaling governors and the results indicate that our algorithms work better when compared to the existing governors.
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 | 0,001 | 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 | 0,001 | 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 ».