Delay-Optimized Video Traffic Routing in Software-Defined Interdatacenter 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
Many video streaming applications operate their geo-distributed services in the cloud, taking advantage of superior connectivities between datacenters to push content closer to users or to relay live video traffic between end users at a higher throughput. In the meantime, inter-datacenter networks also carry high volumes of other types of traffic, including service replication and data backups, e.g., for storage and email services. It is an important research topic to optimally engineer and schedule inter-datacenter traffic, taking into account the stringent latency requirements of video flows when transmitted along inter-datacenter links shared with other types of traffic. Since inter-datacenter networks are usually overprovisioned, unlike prior work that mainly aims to maximize link utilization, we propose a delay-optimized traffic routing scheme to explicitly differentiate path selection for different sessions according to their delay sensitivities, leading to a software-defined inter-datacenter networking overlay implemented at the application layer. We show that our solution can yield sparse path selection by only solving linear programs, and thus, in contrast to prior traffic engineering solutions, does not lead to overly fine-grained traffic splitting, further reducing packet resequencing overhead and the number of forwarding rules to be installed in each forwarding unit. Real-world experiments based on a deployment on six globally distributed Amazon EC2 datacenters have shown that our system can effectively prioritize and improve the delay performance of inter-datacenter video flows at a low cost.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle