Performance of weighted fair queuing systems with long range dependent traffic inputs
Notice bibliographique
Résumé
This paper provides an analytical technique for estimating the queue length distributions for a weighted fair queue (WFQ) system fed with long range dependent (LRD) traffic input. The analysis considers the coupling between the queues of the WFQ system due to the dependency of the queue length on the weights and input traffic of other queues. It is also applicable to short range dependent (SRD) traffic sources. With aggregate LRD traffic streams represented by multi-scale wavelet models (MWM), the analysis starts by modeling each queue of a WFQ system as an MWM/D/1 queue and multi-scale queuing (MSQ) is used to estimate the queue length distribution. Each queue unused capacity is evaluated and an extension of our previous work on priority queuing of LRD traffic is used to provide an MWM model for the service rate of each queue and decompose the WFQ queues into MWM/MWM/1 queues. Subsequently, this MWM/MWM/1 decomposition is used to examine the queue length distribution. The accuracy of the proposed analytical technique is examined by comparing queue survivor functions obtained analytically to those directly measured from event-driven simulations for various traffic conditions and WFQ weight configurations. The analysis shows the effect of both weight variation and traffic self-similarity on the queue length distribution of each queue. Analytical and simulation results show that the proposed analytical technique can provide an accurate estimation of queue length distribution, and can be useful in optimal choices of WFQ weights.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».