Uniform and Non-Uniform Zoning for Load Balancing in Virtual Environments
Notice bibliographique
Résumé
Maintaining a stable system for thousands of users is a difficult task. Massively Multiplayer Online Game (MMOG) dealing thousands of players preserves consistency by sharing relevant game states among the interacting parties. The lag of state sharing becomes excessive when the system is overloaded. Current practices supporting a massive number of users generally divide the game world into zones which are managed by servers. However, such zoning restricts cross-zonal interactions and exposes division of the game space. To address these problems, we present load-balancing algorithms for both uniform and non-uniform zonal Peer-to-Peer (P2P) MMOGs. The proposed load-balancing schemes identify a loaded server in terms of either the number of players or packets processed per unit time, and then move the load to other servers considering communication overhead and P2P overlay restructuring. The non-uniform load balancing, named adaptive scheme, uses a bisection procedure that does not adhere to any predefined zone size - zone sizes are flexible and can be determined dynamically. The outlined Multilevel Multiphase Load Balancing (MMLB) method designed for uniform zones reduces load in a step-by-step manner, and avoids problems associated with current load balancing schemes. Our results show that reducing load at any magnitude not necessarily improves performance. By comparison, MMLB performs better than adaptive scheme especially for a series of hotspots.
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 | 0,001 | 0,001 |
| 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 ».