MétaCan
Menu
Retour à la cohorte
Enregistrement W2783662490 · doi:10.1364/jocn.10.000052

CDMA-Based Dynamic Power and Bandwidth Allocation (DPBA) Scheme for Multiclass EPON: A Weighted Fair Queuing Approach

2018· article· en· W2783662490 sur OpenAlexfundno aff
Elie Inaty, Robert Raad

Notice bibliographique

RevueJournal of Optical Communications and Networking · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Photonic Communication Systems
Établissements canadiensnon disponible
Organismes subventionnairesUniversité Laval
Mots-clésComputer scienceQuality of serviceDynamic bandwidth allocationComputer networkGeneralized processor sharingBandwidth allocationNetwork packetQueuing delayBandwidth (computing)Queueing theoryCall Admission ControlAlgorithmDynamic priority schedulingTelecommunications

Résumé

récupéré en direct d'OpenAlex

Multiclass systems with different quality of service (QoS) requirements are essential in today’s Ethernet passive optical networks (EPONs). In this paper, we propose a code division multiple-access-enabled dynamic power and bandwidth allocation (DPBA) algorithm for a multiclass system. The novelty of the proposed algorithm is the resource allocation components: power control and bandwidth allocation. Both resources are related and optimized through the weights of the weighted round-robin scheduler in a way to meet the physical layer signal to interference ratio and the network layer packet delay requirements for every class of users. Our objective is to offer a differentiated class of services for all optical network units while optimizing network performance and guaranteeing fairness between different classes. A closed-form solution for the optimal power and bandwidth allocation using the DPBA algorithm is analytically derived. It is shown that the proposed algorithm can radically enhance the network performance in terms of packet delay, throughput, queue size management, transmission cycle time, and class of service fairness while guaranteeing the QoS requirements for all classes.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,281
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Optical Communications and NetworkingMême sujetAdvanced Photonic Communication SystemsTravaux en français237 207