MétaCan
Menu
Retour à la cohorte
Enregistrement W2808504322 · doi:10.1109/lanman.2018.8475103

Online VNF Placement and Chaining for Value-added Services in Content Delivery Networks

2018· preprint· en· W2808504322 sur OpenAlexafffund
Narjes Tahghigh Jahromi, Somayeh Kianpisheh, Roch Glitho

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineComputer Science
ThématiqueSoftware-Defined Networks and 5G
Établissements canadiensConcordia University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésComputer scienceVirtual networkProvisioningComputer networkContent delivery networkChainingQuality of serviceDistributed computingServer

Résumé

récupéré en direct d'OpenAlex

Value-added Services (VASs) (e.g. dynamic site acceleration, media management) play a critical role in Content Delivery Networks (CDNs). Network Functions Virtualization (NFV) enables the agile provisioning of VASs. In NFV settings, VASs are provisioned as ordered sets of Virtual Network Functions (VNFs), forming VNF-Forwarding Graphs (VNF-FG) which are deployed in the CDN infrastructure. The CDN VAS VNF-FGs have a specific characteristic: they have one end-point (corresponding to the content server) that is unknown, prior to their placement. The proposals for CDN VAS VNF-FG placement, so far, have only considered offline placement, where the VNF-FGs are placed before end-user traffic steers into the network. However, in concrete cases, a change in service usage patterns might occur, a situation that could require a VNF-FG placement in an online manner. This paper tackles the problem of online VNF-FG placement for VASs in CDNs, taking into account the eventual reuses and migrations of already-deployed VNFs. A cost model is considered, including multiple costs; i.e. new VNF instantiations, migration, hosting and routing costs. The objective is to optimally place the VNF-FGs such that total reconfiguration costs are minimized while QoS is satisfied. An Integer Linear Programming (ILP) formulation is provided and evaluated in a small-scale scenario.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,523
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,003
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,050
Tête enseignante GPT0,265
Écart entre enseignants0,214 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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

En bref

Citations1
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetSoftware-Defined Networks and 5GTravaux en français237 207