Drawing the Cloud Map: Virtual Network Provisioning in Distributed Cloud Computing Data Centers
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
Efficient virtualization methodologies constitute the core of cloud computing data center implementation. Clients are attracted to the cloud model by its ability to scale the resources dynamically and the flexibility in payment options that it offers. However, performance hiccups may push them to go back to the buy-and-maintain model. Virtualization plays a key role in the synchronous management of the thousands of servers along with clients' data living on them. To achieve seamless virtualization, cloud providers require a system that performs the function of virtual network provisioning. This includes receiving the cloud client requests and allocating their computational and network resources in a way that guarantees the quality-of-service conditions for clients while maximizing the data center resource utilization and providers' revenue. We introduce a comprehensive system to solve the problem of virtual network mapping for a set of connection requests sent by cloud clients. Connections are collected in time intervals called windows. Consequently, node and link provisioning is performed. Different window size selection schemes are introduced and evaluated. Three schemes to prioritize connections are used, and their effect is assessed. Moreover, a technique dealing with connections spanning over more than a window is introduced. The proposed algorithm is compared with previous work well known in the literature. Simulation results show that the dynamic window size algorithm achieves cloud service providers' objectives in terms of generated revenue, served-connection ratio, resource utilization, and computational overhead. In addition, experimental results show that handling spanning connections independently improves the performance of the system.
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 | 0,004 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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