Notice bibliographique
Résumé
An adaptive traffic estimation algorithm for an Autonomic Future Internet which can provide improved throughput, energy-efficiency and QoS guarantees is proposed. The theory for a Future Internet which supports multiple service classes, i.e., the traditional Best-Effort (BE) class and a new Essentially-Perfect-QoS (QoS) class, has recently been proposed. In this Future Internet, the routers give preference to the QoS traffic class. All smoothened end-to-end traffic flows in the QoS class will never experience congestion and can achieve Essentially Perfect link-utilizations and end-to-end QoS guarantees, with significantly improved energy-efficiencies. Each Future Internet router must provision bandwidth for the QoS traffic class, and schedule this class with 100% throughput efficiency and strict QoS guarantees, using a recently-proposed mathematical scheduling algorithm. In this paper, adaptive traffic estimation algorithms which allow each Future Internet router to estimate its future QoS traffic demands and provision bandwidth for the QoS demands in anticipation of their arrival are proposed. An Autonomic Controller (AC) in each router maintains a history of its QoS and Best-Effort traffic demands over a long time horizon. Several variations of Autoregressive Integrated Moving Average (ARIMA) filters are used to estimate the future traffic demands. The AC can then provision resources for the QoS demands in anticipation of their arrival. To test the algorithms, real traffic measurements taken every 15 minutes over 4 months for a European backbone network are used. The estimates are shown to be very accurate, provisioning bandwidth for the QoS class with success rates between 93% ... 99%. An Autonomic Controller (AC) in each router can also be used to automate the bandwidth provisioning process for existing Differentiated-Services traffic classes in existing Best-Effort Internet routers.
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 ».