Periodic GATE Optimization (PGO): A New Service Scheme for Long-Reach Passive Optical Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we present a new service scheme, Periodic GATE Optimization (PGO) for long-reach passive optical networks. PGO is based on a previously proposed service scheme where the optical line terminal (OLT) generates multiple threads to poll the bandwidth requests of the optical network units (ONUs). In PGO, OLT periodically builds an ILP formulation by using the collected requests of the ONUs, and solves the model for the overloaded ONUs. Based on the outputs, it determines how to credit the ONUs until the next ILP formulation whenever they are overloaded. We evaluate the performance of PGO by simulation, and show that it introduces further decrease in average packet delay until the heavy loads. Average queue length at the ONUs is also shortened by PGO. The results imply that PGO achieves these enhancements without increasing the packet drop probability. In the paper, we also present the quality-of-service (QoS) aware version of PGO, namely PGO-QoS. PGO-QoS consists of two modules such as intra-ONU scheduling where the dequeuing proportion of the QoS classes is determined and reported to OLT, and dynamic bandwidth allocation module where mostly PGO runs. We evaluate the performance of PGO-QoS for each QoS class and for the overall network in terms of average packet delay, average queue size, and packet drop probability under different scenarios. Based on the simulation results, PGO-QoS is shown to introduce further decrease in delay, queue length, and packet loss probability for the high priority class requests that are granted by multithread polling in Long-Reach PON.
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.
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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle