Periodic GATE Optimization with QoS-awareness for Long-Reach Passive Optical Networks
Notice bibliographique
Résumé
In this paper, we propose a bandwidth allocation scheme working with differentiated services for the Multi-Point Control Protocol (MPCP) in Long-Reach Passive Optical Networks. The proposed scheme is an enhancement to our recently proposed bandwidth allocation scheme Periodic Gate Optimization (PGO), and it is called Periodic Gate Optimization with Quality of Service Awareness (PGO-QoS). Long-Reach PON introduces a challenge by the deployment of passive elements in a long distance up to 100km between the OLT and the ONUs. It becomes more challenging when the subscribers have different Service Level Agreements (SLAs) with specific performance requirements such as delay bounds and/or packet drop probabilities. PGO-QoS consists of two independent modules; intra-ONU scheduling and dynamic bandwidth allocation. Intra-ONU scheduling stands for the burstification of the buffered packets at the ONUs, and it determines the proportion of the packets to be dequeued from the buffer of each SLA class. These proportions are also appended to the REPORT message to be used by the OLT in the dynamic bandwidth allocation module. The bandwidth allocation module runs at the OLT. This module is mostly inherited from recently proposed PGO. Based on the collected REPORT messages, the OLT periodically builds an ILP model to estimate the appropriate GATE credits of the overloaded ONUs until the next optimization period. The ILP model sets the appropriate constraints so that the OLT tends to prioritize the ONUs where dequeuing proportions of the high priority queues are greater. The simulation results show that PGO-QoS leads to a lower average delay and shorter queue length and less packet delay. Moreover, the proposed scheme also introduces decreased delay and low packet loss for the higher priority SLA classes which are class-3 and class-2.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».