Orchestrating network function virtualization platform: Migration or re-instantiation?
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
Network function virtualization (NFV) provokes the evolution of network functions to overcome various challenges facing the network service providers (NSPs). To exploit the advantages of the virtualization technology, NFV platforms should use the cloud environment to provide their services. Typically, an NFV service is represented by a service function chain (SFC) that consists of multiple virtualized network functions (VNFs). Hosting and orchestrating these VNFs in a cloud environment are challenging tasks. In this paper, we discuss the VNF orchestration problem from the perspective of VNF's migration and re-instantiation mechanism to achieve carrier grade-aware NFV services in a cloud-based platform. This paper also provides detailed insights on the NFV system modeling, building blocks, and various challenges hindering its cloud adoption. Also, a novel mixed integer linear programming (MILP) optimization model is proposed as a solution to facilitate the NFV platform orchestration in a cloud environment. The model decides between triggering either VNF's migration or re instantiation while achieving minimal downtime of the VNF, satisfying carrier grade requirements, and finding an optimal placement for the migrated or re-instantiated VNF that minimizes the SFC delays. The proposed model is compared to two availability-agnostic greedy algorithms. The simulation results show that finding an optimized decision whether to migrate or re-instantiate a VNF while associating it with an optimal placement can achieve a minimal VNF's downtime and SFCs delays and can enhance the quality of service accordingly.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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