Market-based self-optimization for autonomic service overlay networks
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
Rather than managing their heterogeneity and dynamic behavior through centralized intervention, overlay nodes can be programmed to self-organize and self-manage the network. To achieve the highest performance within a service overlay, they are further expected to self-optimize the network, by cooperatively providing and allocating resources in an optimal manner. However, since nodes are inherently selfish about resources they contribute or consume, self-optimization could not be achieved if they are not given the correct incentives. In this paper, we investigate the effectiveness of a market-based incentive mechanism in directing nodes' behavior and enabling self-optimizations. We have designed an intelligent market model for a service overlay network, based on which individual nodes, being service producers and consumers, determine their own resource contributions, consumptions, or service prices based on their own utility maximization goals. We also propose optimal decision making solutions for nodes to achieve their self-interests; in particular, service providers are provided with a control-based pricing solution based on system identification techniques. With the multicast streaming application as an example, we show through simulations that, even when selfish nodes all seek their maximal utilities, the resulting network still achieves close-to-optimal performance in both steady and dynamic states. The results also indicate that, by encouraging nodes to behave selfishly and intelligently in a designed market, self-optimization in other autonomic systems may be facilitated in the presence of node selfishness.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 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