Availability and Cost-Constrained Long-Reach Passive Optical Network Planning
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
To avoid huge data loss in the last mile of Internet service, Passive Optical Networks (PONs) need to be designed with a high availability guarantee. Because next generation PON includes extending the coverage of optical broadband access networks under the name long-reach PON, availability-guaranteed planning of PONs for long-reach access is required. In this paper, we propose a Mixed Integer Linear Programming (MILP)-based approach, and a heuristic algorithm, for the planning of survivable long-reach passive optical networks. The MILP-based planning model mainly consists of cost and availability constraints, while having the objective of largest possible area coverage. The heuristic is called Locate-ONU-with-Lowest-Availability-Requirement-First (LOWLARF), and it performs a faster search for the nearly optimal locations of Optical Network Units (ONUs), Optical Line Terminal (OLT), and the optical splitter having the same objective and constraints with the MILP model. The proposed heuristic and the MILP model are compared in terms of the solution spaces provided for a small sized problem. The heuristic LOWLARF introduces the advantage of significantly degraded running time, and numerical results indicate that it can provide close results to those of the MILP-based planning. On the other hand, three survivability schemes are compared in terms of deployment cost, availability, and coverage by MILP-based planning and LOWLARF. The evaluation is done by two different availability requirement scenarios. The results show that, under both scenarios, the protection scheme offering a lower bound of 99.999% availability leads to the highest deployment cost while it covers the smallest area. The protection schemes that guarantee 99.99% availability by employing less redundancy can cover a larger area under both scenarios.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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