Notice bibliographique
Résumé
It is without a doubt that the data center is the core of most IT industries, providing services to billions of users today.The preferred data center network (DCN) architecture used for this platform is the 2-tier leaf-spine topology, which is not only energy efficient but has a good performance metrics.Furthermore, due to the exponential increase of information and services from datacenters, it is projected that a 14.1 zeta bits of bandwidth would be needed to meet the current demands of data by the end of 2020 in USA data centers alone.This would require a tremendous amount of energy to run those data centers.Hence, in recent years there is more focus on reducing the energy consumption in a data center.In trying to reduce the energy consumption of a data center, this thesis approaches the problem by utilizing Segment Routing-Traffic Engineering, and other power algorithms for an efficient DCN.The proposed approach makes it possible to deactivate spine switches and links on the data center networks, which results in energy savings.Our experimental results yielded an approximate of 80% in energy savings of the spine switches consumption whilst maintaining an average similar traffic performance.First, and foremost, I would like to acknowledge, my supervisor Prof Chung-Horng Lung of Carleton University, for giving the opportunity to carry out this thesis work.He became not only an academic supervisor, but a resourceful help, and beacon of hope to complete my research work.I want to acknowledge Mr Busuyi, he became an uncle where I needed one, an elderly friend.His constant help are still invaluable to
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».