A Per-Flow Measurement and Estimation Method for DiffServ Implementations
Notice bibliographique
Résumé
Providers of data network services are in search of new solutions for service offerings over integrated service packet networks (ISPN) which can accommodate voice and video traffic in addition to data traffic. The goal is to enable cutting-edge services such as IP telephony, video conferencing, video on demand (VoD), tele-medicine, etc. As the traditional design of data networks has had little or no support for providing the required traffic characteristics to voice and video streams, architectures for quality of service have been defined. Of these architectures, differentiated services are seen as a significant contributor to the migration of current data network to next-generation networks capable of providing a broader range of services. However, the way they have been defined, these architectures lack precise formal specifications, and therefore their performance is strongly related to the quality of each implementation. This paper presents an abstract model for differentiated services with assured forwarding per-hop behavior (PHB). The model is meant for a better illustration of the dynamics of quality of service (QoS) parameters. After a thorough review of existing methodologies for performance measurements for differentiated services, the paper proposes a dynamic model for assured forwarding and validates it against generated traffic on a live network (NCIT*net 2). This work is the starting point for the detailed specification of differentiated services PHBs. A series of following papers will introduce and develop necessary concepts for modeling and estimation of QoS parameters which are associated with these services.
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 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».