A robust method for fitting the (/spl sigma//spl I.oarr/, /spl rho//spl I.oarr/) model to a traffic source
Notice bibliographique
Résumé
A communication network, which offers a deterministic QoS guarantee to VBR traffic sources, must use a traffic regulation scheme to reserve network resources for each source. The key component of a traffic regulation scheme is the traffic characterization model used to characterize the traffic of each source. The (/spl sigma//spl I.oarr/, /spl rho//spl I.oarr/)model is so far the most popular traffic model used in communication networks. In order to achieve high network utilization, parameters of the traffic model should be selected carefully, such that the model specifies the actual traffic as accurately as possible. We present a novel method for selecting the parameters of a (/spl sigma//spl I.oarr/, /spl rho//spl I.oarr/)model for a VBR traffic source. Our method strives for accuracy, implementation simplicity and execution speed as the design goals. Our approach consists of two parts: 1) constructing the empirical envelope of the source from the traffic, and 2) finding the model parameters from the empirical envelope. We present novel solutions for these two problems. Our method for constructing the empirical envelope is faster and more accurate than the presently existing methods and can be employed in real-time applications. Our method for finding the (/spl sigma//spl I.oarr/, /spl rho//spl I.oarr/)model parameters from the empirical envelope is based on the 'divide and conquer' and sequential programming optimization techniques, and finds a near optimum result. The performance and accuracy of our methods were experimentally compared to other available methods. The results showed that the overall performance, specifically the speed and the accuracy of our methods, are significantly better than the current methods found in the literature.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 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 ».