Service Broker-Based Architecture Using Multi-Criteria Decision Making for Service Level Agreement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the on-going trends of the telecom services, the number of service providers with similar functionalities is undergoing a rapid growth. The customers face the difficulty to decide which service provider can satisfy their needs and full their requirements. Negotiating contracts between involved parts, and hiding heterogeneity in the distributed network environment has been challenging for telecom operators and service providers. Different languages exist to describe the Service Level Agreement (SLA), which is a contract between a service provider and a customer. However, since each service provider expresses his SLA in his own way, it disrupts the customer's choice of the best service provider, and leads to a bad contract management. In this respect, we propose a novel architecture for service selection, and SLA management between different stakeholders in our network architecture. The idea is to set up a smart broker where we implemented a Multi-Criteria Decision Making (MCDM) method to maximize utility function so that the customer can choose services with required QoS performances. We also came up with the idea of settling a negotiation model for the SLA, and a context based SLA contract ontology in IP Multimedia Subsystem (IMS) network is also proposed to provide users with a clear model to express their requirements and preferences. Moreover, we used the New Generation Operations Systems and Software (NGOSS) Framework to model and analyze networks and services actions. To better understand the relationship and the projection of NGOSS Framework and IMS platform, we introduce an SLA management and monitoring architecture in IMS 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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,002 | 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 découle