Latency Aware VNF Deployment at Edge Devices for IoT Services: An Artificial Neural Network Based Approach
Notice bibliographique
Résumé
Virtual Network Functions (VNFs) placed at the edge devices in the vicinity of users improve response time, avoid redundant utilization of core network, and reduce user-to-VNF end to end latency to a great extent, while leveraging the Internet of Things (IoT) services in Network functions virtualization (NFV) context. Different approaches for VNF placement have been proposed, however, the main concern has been to minimize resource utilization as much as possible by reducing the required number of servers to run a chain of VNFs to provide a specific service, without considering network conditions, for example, latency. In this paper, we implement the optimal edge VNF placement problem as an Integer Linear Programming model that guarantees the minimum end to end latency, while ensuring Quality of Service by not overstepping beyond an acceptable limit of latency violation. Latency beyond such limits can be the cause of disruption and degradation of performance for time-sensitive IoT services. The time complexity of the existing optimal edge VNF placement algorithm being NP-hard, we further propose a VNF placement strategy using Artificial Neural Network (ANN) trained by the assignment solutions generated from the Integer Linear Programming (ILP) model of the optimal edge VNF placement method for smaller instances of VNFs. This approach solves the VNF assignment problem at edge devices for a larger number of VNFs, while reducing the time complexity to be linear and providing similar results as the ILP model in terms of latency. This research work can be considered as a pioneering mark for IoT virtual service orchestration systems by embedding intelligence that can scale down the massive fabrication costs of IoT endpoints (e.g., sensors, actuators) required to be equipped with high processing power to enable ultra-low response time for users.
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 | 0,001 | 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 ».