MétaCan
Menu
Retour à la cohorte
Enregistrement W2033277567 · doi:10.1109/icton.2014.6876388

Optical inter-data-center network design under resilience requirements and dynamic electricity pricing

2014· article· en· W2033277567 sur OpenAlexaff
Hussein T. Mouftah, Burak Kantarcı

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Optical Network Technologies
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésData centerComputer scienceNetwork topologyElectricityBandwidth (computing)Cloud computingEnergy consumptionResilience (materials science)Networking hardwareDistributed computingNetwork planning and designComputer networkMathematical optimizationEngineeringElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Workloads submitted to the Cloud are handled within the data centers in a distributed manner. Reducing the operational expenses is a fundamental concern for the operators which can be addressed by efficient design of the inter-data-center network. Optical networks have been reported to be the best transport media to accommodate the high capacity inter-data-center traffic. Furthermore, employment of elastic optical networks can further improve bandwidth utilization over the backbone. In this paper, we present our solution to minimize the operational expenses of the operators through resilient design of an inter-data-center network in the presence of dynamic electricity pricing, namely Time-of-Use tariffs. The proposed solution periodically virtualizes the inter-data-center network topology based on previously forecasted demand intensities with the joint objective of minimum outage probability and minimized electric bill for the data center and network operators. Through simulations, we compare our solution to a naïve resilient design solution and another design approach aiming at minimum energy consumption. We discuss the benefits of our proposal in terms of both objectives and provide insights towards challenges and opportunities in this field.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,658
Score d'incertitude au seuil0,633

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,263
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Optical Network TechnologiesTravaux en français237 207