A conceptual modeling framework for internet traffic engineering problems
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
We present a conceptual modeling framework for analyzing and modeling solutions to different Internet Traffic Engineering (ITE) problems involving measurement, characterization, and control of network or inter-network traffic. The framework bases itself on the concept of Clusters which can, in fact, be used to model many other network problems. Our effort is targeted towards a large- scale initiative for designing a Unified Modeling Language (UML) Profile for conceptual modeling of typical next- generation network problems. In this paper we present UML-based framework to support modeling ITE problems. The modeling framework extends UML 1.5 and is contributes towards an initiative by the authors to create a robust UML Profile for ITE (PoITE). The contribution of the work is to provide the area of ITE with basic concepts and structure for designing UML models for solving ITE problems. In brief, the area of ITE encompasses issues pertaining to the performance evaluation and performance optimization of operational IP networks. Traffic Engineering (9,10), as such, focuses on the application of technology and scientific principles to the measurement, characterization, modeling, and control of network or inter-network traffic (3). ITE is a complex area of networking that takes into account many aspects and scenarios corresponding to different environments. However, in this paper, we consider an abstraction that avoids many finer details of ITE, and instead, focuses on providing a generic framework that can support modeling ITE problems. This document is based on: • RFC3272 (Principles of Internet Traffic Engineering) (3), and
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| 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