Bandwidth Allocation with Fairness in Multipath 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
Network resource management and traffic engineering are important subjects in today's Internet. In terms of traffic engineering, bandwidth allocation and splitting it in a fair manner among different users have become challenging. In addition, optimizing the utilization of network resources, increasing the user utility and throughput are also considerable. So, the user satisfaction with regard to the resource allocation and Quality of Service (QoS) are the most important factors that should be taken into the consideration. At the first step, Network Utility Maximization (NUM) problem has been considered as an initial stage to design any traffic engineering method. In this paper and by considering the mentioned issues, first of all we take into account the NUM problem and optimization decomposition methods by focusing on Traffic Management Using Multipath Protocol (TRUMP), and its weaknesses to tackle the fair resource allocation problem associated with it. We then propose a model to tackle the fair bandwidth allocation issue by implementing an optimized sending rate adaptation model using an intuitive investment method to optimize the link prices (delay and loss) to achieve an efficient fair bandwidth allocation model. The model is evaluated by using different simulations and different topologies under various network conditions. Our results show that the proposed model behaves fairer than TRUMP in certain path selections. As an average from the results and at a minimum point our model achieves 26% improvement in fairness in contrast to TRUMP. In addition, for large networks we can enjoy approximately 90% improvement in fairness measure.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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