Efficient Algorithms for Traffic Grooming in SONET/WDM Networks
Notice bibliographique
Résumé
In SONET/WDM optical networks, a wavelength channel is shared by multiple low-rate traffic demands. The multiplexing is known as traffic grooming and carried out by SONET add-drop multiplexers (SADM). A key optimization problem in traffic grooming is to minimize the number of SADMs. This optimization problem is challenging and NP-hard even for unidirectional SONET/WDM rings (UPSR) with symmetric unitary traffic demands. In this paper, we give a linear time heuristic algorithm for this NP-hard problem. Empirical results show that the algorithm outperforms previous algorithms. The algorithm uses the minimum number of wavelengths, which are also precious resources in optical networks. An important subclass of the symmetric unitary traffic pattern is the regular traffic pattern, where each network node appears in exactly r symmetric demands. The regular traffic pattern is a generalization of the well known all-to-all traffic pattern, in which r = n - 1 for a network of n nodes. We prove that the optimization problem remains NP-hard for the regular traffic pattern on the UPSR. We also propose an algorithm for this problem with a better upper bound on the number of used SADMs than previous algorithms. This algorithm always uses the minimum number of wavelengths as well
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 ».