Game-Aware and SDN-Assisted Bandwidth Allocation for Data Center Networks
Notice bibliographique
Résumé
Cloud computing has recently emerged as a promising paradigm for end-users and service providers. The application of the cloud-computing model to different applications offers many attractive advantages, such as scalability, ubiquity, reliability, and cost reduction to users and providers. By applying this model, the major computational parts of underlying applications are performed in data centers. Hence, effectively assigning the resources (e.g. memory, bandwidth) to applications plays a key role in providing a high Quality of Experience (QoE) to end-users. In the case of delay sensitive applications like video streaming and online gaming, the efficient resource allocation becomes more crucial. In this paper, we propose a game traffic friendly bandwidth utilization scheme using the Software Defined Networking (SDN) paradigm to solve the bandwidth allocation problem in cloud computing data center networks. Our proposed method makes use of machine learning techniques to classify the incoming traffic flows in real-time while ensuring game flows are prioritized over others. Our simulation results for a realistic network topology indicate good performance in terms of network traffic classification accuracy, and improvements of at least 9% in average utility (QoE), up to 30% increase in fairness (according to the Jain’s fairness index), and on average an 8% reduction in delay experienced by users compared to a representative conventional method: Equal Cost Multi-path (ECMP).
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 | 0,000 |
| 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 ».