Combined Degree-Based with Independent Dominating Set Approach for Controller Placement Problem in Software Defined Networks
Notice bibliographique
Résumé
In Software Defined Networks (SDN), controllers should ideally be optimally placed to preserve the minimal response time between the controllers and the forwarding nodes in the data plane. It is well understood that the placement of controllers can greatly impact network performance in terms of controller responsiveness. An Independent Dominating Set (IDS) offers an optimized way of achieving the goal of minimal response time. However, finding an independent dominating set of minimal size is NP-hard, which means that there likely no polynomial-time algorithm can guarantee an optimal solution. In this paper, we propose a new node degree-based algorithm named High Degree with Independent Dominating Set (HDIDS) for the controller placement problem for the SDN networks. Our algorithm is composed of two phases to deal with controller placement: (1) determining candidate controller instances by selecting those nodes with highest node degree; and (2) partitioning the network into multiple domains, one controller per domain, exploiting the independent dominating set approach to ensure a distribution of controllers with lowest response times. Experiments results show that our algorithm, for a fixed number of selected controllers, has better performance in terms of minimizing the average response time between each controller and its forwarding nodes, and the response time of node with largest delay from the controller, as compared to a previously published algorithm based on optimized K-means. Further, we show that for an upper limit threshold for the required response time for an SDN, our algorithm nearly always requires fewer controllers to satisfy that threshold.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».