Offering Resilient and Bandwidth Guaranteed Services in Multi-tenant Cloud Networks: Harnessing the Sharing Opportunities.
Notice bibliographique
Résumé
The sharing of computing and networking resources in the cloud is challenged by several obstacles, such as providing bandwidth guarantees for a predictable performance of the hosted applications, as well as maintaining the availability of their services following outages. Therefore, the wide scale adoption of this emerging computing paradigm remains highly dependent on overcoming these challenges. In fact, a lack of bandwidth guarantees extends the completion time for jobs, thus increasing expenses for clients paying for their time of use. In addition, outages in data centers may result in severe revenue losses for both, the cloud operators and their clients alike. To overcome these challenges, cloud operators should be empowered with a strategic design plan that is able to guarantee resilient and predictable performance for hosted applications. Such a plan consists of provisioning additional backup resources (e.g.virtual machines, bandwidth) while ensuring efficient network bandwidth utilization. In this work, we study the design of various facets of such a plan. Namely, we exploit several bandwidth sharing opportunities in multi-tenant cloud networks while offering resilient and bandwidth guaranteed services. In contrast to previous works which target cloud clients satisfaction, we focus on optimizing network bandwidth utilization in order to increase the cloud operators revenues while maintaining such bandwidth allocation transparent to the clients. Through several motivational examples, and numerical studies, we highlight the sharing opportunities and show that they are able to increase cloud operators revenues by an average of 21.4% while providing up to 50% of bandwidth gain in the network.
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 | 0,001 |
| 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 ».