MétaCan
Menu
Retour à la cohorte
Enregistrement W3010476016 · doi:10.1109/tcc.2019.2910111

Survivable IaaS Management with SDN

2020· article· en· W3010476016 sur OpenAlexafffund
Heli Amarasinghe, Abdallah Jarray, Ahmed Karmouch

Notice bibliographique

RevueIEEE Transactions on Cloud Computing · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueSoftware-Defined Networks and 5G
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésComputer scienceCloud computingBackupDistributed computingVirtual networkComputer networkProvisioningTestbedFault toleranceSurvivabilityNetwork managementSoftware-defined networkingOperating system

Résumé

récupéré en direct d'OpenAlex

Fault-tolerance, survivability and resiliency in wide area networks have long been prominent research topics. With the popularity of the cloud service model and the novel software defined networking (SDN) paradigm, there is renewed interest in failure protection and restoration in network service provisioning. In this work, we propose a novel protection and restoration based virtual network management scheme to enhance fault tolerance in infrastructure-as-a-service, deployed over networked cloud infrastructure. The networked cloud infrastructure is composed of multiple geographically distributed datacenters that are interconnected with SDN. Both compute and network resources are allocated by formulating the virtual network embedding problem as an integer linear program. A shared backup virtual link protection mechanism and a reactive traffic engineering network failure restoration algorithm are proposed and integrated with the framework to provide recovery from unexpected link failures. We implemented the framework on an emulated SDN testbed and evaluated the performances of the algorithms during single and multiple link failures. Experimental results demonstrate trade-offs of the proposed approaches and their applicability in different application scenarios.

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)0,001
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,002
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 Opus0,021
Tête enseignante GPT0,219
Écart entre enseignants0,198 · 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

Citations3
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Cloud ComputingMême sujetSoftware-Defined Networks and 5GTravaux en français237 207