NIMA (Network Impact Modeling and Analysis): A QoS Perspective
Notice bibliographique
Résumé
The mammoth Internet traffic growth puts a significant load on Internet Service Provider's (ISP) network capacity which impacts a wide range of network Quality of Service (QoS) metrics such as latency, jitter, throughput, packet loss, link utilization, load balancing, and service availability. From the ISP's perspective, understanding the possible impact of the future Internet traffic on its network QoS is critical for provisioning their network capacity in a cost-effective manner while meeting Service Level Agreement (SLA) between an operator and its customers. To achieve the above goal, one needs a mechanism that is capable of taking input from the projected future traffic, assign the forecasted traffic over the end-to-end network, and then analyses the impact on the network's QoS status. In this paper, we developed a novel network planning framework, namely Network Impact Modeling and Analysis (NIMA) that uses novel methods and techniques to alert ISP's network capacity planners on the: (a) links that are subject to high-risk in terms of congestion; (b) impact on latency, jitter, packet loss, and throughput; (c) impact on load balancing; and finally suggests an optimal routing strategy that can improve the overall network health. For simulation purposes, we used Mininet in combination with a floodlight controller for implementation. The experiments are performed on different sized mesh topologies to test the effectiveness of our proposed framework.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».