Speeding Up Multi-CDN Content Delivery via Traffic Demand Reshaping
Notice bibliographique
Résumé
Nowadays, more and more content providers (CPs) use multiple content delivery networks (CDNs) to deliver their content (a.k.a. content multihoming). Since the decisions on which CDN to use are made by the CP or by a CDN broker based on their local view of network conditions, content multihoming still has much room to improve for a better content delivery performance. In addition, content multihoming may negatively impact CDN vendors since in the price competition they are enforced to lower content delivery price to attract CPs to use their CDNs. To build a better CDN ecosystem, multi-CDN federation has been proposed to interconnect standalone CDNs. The real-world implementation of CDN interconnection (CDNI), however, poses significant technical obstacles not easy to solve in the short term. In order to improve the content delivery performance under current multi-CDN strategies, in this paper, we propose a feasible and efficient solution to multi-CDN, termed as CDN semi-federation, which can better schedule and utilize the resources from multiple CDNs without requiring full CDNI. The benefit of our solution comes from an effective optimization algorithm which reshapes the patterns of traffic from multiple CPs delivered over multipe CDN Points of Presence (PoPs). Experiments across North American and European ISP PoP networks demonstrate that, compared with current multi-CDN solutions, CDN semi-federation can reduce the content delivery latency by around 20% during peak traffic hours.
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 | 0,000 | 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 | 0,001 | 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 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 ».