A Traffic Engineering algorithm for Differentiated multicast Services over MPLS networks
Notice bibliographique
Résumé
A Traffic Engineering (TE) algorithm for multicast traffic distribution over Differentiated Services (Diff-Serv) aware with Multiprotocol Label Switching Traffic Engineering (MPLS-TE) networks is proposed. The algorithm can be used to forward multicast traffic offered by internet service providers (ISP) and solicited by clients based on their subscriptions to channels. In a quest for outperforming ISP's existent network capabilities, multicast traffic distribution technologies are added to offer higher quality services such as internet protocol (IP) multimedia multicast, without affecting the existent Service Level Agreement (SLA). The use of this type of enhanced networks is justified by the ability of deploying better forwarding performance, constrained based routing considering the network resources and Quality of Services (QoS) guarantees, faster and more predictable restoration capabilities needed in case of topology changes, etc. The solution relies on using MPLS constraint-based routing concepts (e.g. traffic trunks) in order to solve TE issues revealed during multicast traffic distribution. The behavior of the proposed algorithm has been analyzed through finite state machine (FSM) diagrams with the help of StateFlow module existent within Matlab environment. The proposed solution has been simulated using the OPNET environment, as well. Experimental results were collected and compared for IP multicast traffic passing through a network with resources on which the Diff-Sery QoS was enabled. Conclusions are drawn to prove the advantages offered by the QoS, in particularly Diff-Sery aware label switched paths (LSPs) of the MPLS-TE forwarding mechanism. A few cases have been simulated to prove the soundness of the proposed algorithm, and simulation results are given at the end.
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 ».