Random Network Coding in Peer-to-Peer Networks: From Theory to Practice
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
With random network coding, network nodes between the source and receivers are able to not only relay and replicate data packets, but also code them using randomly generated coding coefficients. From a theoretical perspective, it has been recognized that network coding maximizes the network flow rates in multicast sessions in directed acyclic network graphs. To date, random network coding has seen practical and real-world applications in peer-to-peer (P2P) networks, in which overlay network topologies are formed among participating end hosts, called “peers.” Due to uncertainties and dynamics involved with peer arrivals and departures, these network topologies are usually randomly generated in practice, and are referred to as “random mesh” topologies. Unlike structured topologies such as trees, random mesh topologies are practical to be implemented, and are resilient to the level of volatility typically experienced in peer-to-peer networks. It has been shown, from both theoretical and practical perspectives, that random network coding leads to performance benefits in these peer-to-peer networks with random mesh topologies. This paper presents a survey of existing results with respect to practical applications of random network coding in peer-to-peer networks. We focus on bulk content distribution and media streaming systems, as well as the computational overhead introduced by random network coding in modern off-the-shelf servers and mobile devices. Throughout the paper, we also show theoretical insights on why random network coding may become beneficial in practice.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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 découle