MétaCan
Menu
Retour à la cohorte
Enregistrement W2108305519 · doi:10.1109/ccece.2004.1345097

A dynamic k-routing algorithm in wavelength-routed optical networks

2004· article· en· W2108305519 sur OpenAlexaff
S. Siddiqui, Jing Wu, Hussein T. Mouftah, Michel Savoie

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Optical Network Technologies
Établissements canadiensCommunications Research Centre CanadaUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésStatic routingEqual-cost multi-path routingLink-state routing protocolComputer scienceDynamic Source RoutingPath vector protocolMultipath routingComputer networkDestination-Sequenced Distance Vector routingPrivate Network-to-Network InterfacePolicy-based routingGeographic routingDistributed computingAlgorithmK shortest path routingRouting (electronic design automation)Shortest path problemRouting protocolTheoretical computer science

Résumé

récupéré en direct d'OpenAlex

Routing in a wavelength-routed network can be static or dynamic. In static routing, routes for each source-destination pair in a network are predetermined, whereas in dynamic routing, a route is computed dynamically for a connection request as it arrives in the network. Dynamic routing incorporates current network state in path computation to ensure an optimal path selection. In this paper, we propose an adaptive routing algorithm, a dynamic k-routing algorithm that computes a least cost path for a connection request. The algorithm computes at most k paths before a connection request is blocked. This paper assumes no wavelength conversion in the network and that the link state information is available to each node in the network. We compare the blocking performance of the proposed adaptive routing algorithm with fixed shortest path routing, fixed alternate shortest path routing and dynamic routing (using the shortest path with available capacity) and show that this algorithm performs better in terms of blocking probability and network utilization.

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 enseignants0,546
Score d'incertitude au seuil0,791

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,005
Tête enseignante GPT0,214
Écart entre enseignants0,209 · 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
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Optical Network TechnologiesTravaux en français237 207