Notice bibliographique
Résumé
Multi protocol label switching (MPLS) is a type of data traffic routing protocol for core and wireless internet networks which originated in the 1990s. Its usage has grown enormously in next generation networking as it is considered superior in many ways to traditional routing for its traffic control and engineering capabilities especially in 4G LTE wireless networks. This paper discusses ramifications of MPLS routing and deep packet inspection (DPI) in the growing area of end user privacy and policy based networking. DPI examines information not only in layers 2 through 4 of the Open Systems Interconnection (OSI) model, but also layers 5 through 7, as required. DPI performs an analysis of the packet in order to identify applications associated with the traffic. MPLS traffic is ‘typed’ at present into four to six classes of service (CoS) to denote the type of data but many more CoS classes are possible and here is where further differentiation of data traffic type and service are conceivable. As argued in this paper privacy concerns arise from the fact that the end user IP number, their type of device, geographic location and type of data traffic [or application in use at any particular point in time] are being aggregated together. Other policy based networking technologies have emerged such as software defined networking (SDN) OpenFlow; yet much of the detail in SDN still remains to be resolved. Privacy issues raised in this paper relate to SDN as many of the routing practices and usage of end user metadata are the same. The effort to provide end users with security for their ecommerce or other applications may require new forms of protection for end user privacy.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».