MétaCan
Menu
Retour à la cohorte
Enregistrement W2997749137 · doi:10.1109/tccn.2019.2963149

SDATP: An SDN-Based Traffic-Adaptive and Service-Oriented Transmission Protocol

2019· article· en· W2997749137 sur OpenAlexafffund
Jiayin Chen, Qiang Ye, Wei Quan, Si Yan, Phu Thinh, Peng Yang, Weihua Zhuang, Xuemin Shen, Xu Li, Jaya Rao

Notice bibliographique

RevueIEEE Transactions on Cognitive Communications and Networking · 2019
Typearticle
Langueen
DomaineComputer Science
ThématiqueCaching and Content Delivery
Établissements canadiensHuawei Technologies (Canada)University of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaHuawei Technologies
Mots-clésComputer scienceComputer networkRetransmissionNetwork packetDistributed computingTransmission delayPacket loss

Résumé

récupéré en direct d'OpenAlex

In this paper, a software-defined networking (SDN) based adaptive transmission protocol (SDATP) is proposed to support applications in fifth generation (5G) communication networks. For time-critical services, such as machine-type communication services for industrial automation, high reliability and low latency are required. To guarantee the strict service requirements, a slice-level customized protocol is developed with in-network intelligence, including in-path caching-based retransmission and in-network congestion control. To further reduce the delay for end-to-end (E2E) service delivery, we jointly optimize the placement of caching functions and packet caching probability, which reduces E2E delay by minimizing retransmission hops. Since the joint optimization problem is NP-hard, we transform the original problem to a simplified form and propose a low-complexity heuristic algorithm to solve the simplified problem. Numerical results are presented to validate the proposed probabilistic caching algorithm, including its adaptiveness to network dynamics and its effectiveness in reducing retransmission hops. Simulation results demonstrate the advantages of the proposed SDATP over the conventional transport layer protocol with respect to E2E packet delay.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,041
Tête enseignante GPT0,283
Écart entre enseignants0,242 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations27
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Cognitive Communications and NetworkingMême sujetCaching and Content DeliveryTravaux en français237 207