Cost-Aware Dynamic SFC Mapping and Scheduling in SDN/NFV-Enabled Space–Air–Ground-Integrated Networks for Internet of Vehicles
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
Space–air–ground-integrated networks (SAGINs) are deemed as a promising solution to support multifarious Internet of Vehicles (IoV) services with diversified Quality-of-Service (QoS) requirements in future communication networks. Network function virtualization (NFV) and software-defined networking (SDN) are two complementary and promising technologies to reduce the function provisioning cost and coordinate the heterogeneous physical resources in SAGIN. In this article, we investigate the online dynamic virtual network function (VNF) mapping and scheduling in SAGIN, considering the dynamicity of IoV services. The VNF live migration, VNF reinstantiation, and VNF rescheduling are enabled to increase the service acceptance ratio and service provider’s profits. Considering the heterogeneity of space, air, and ground nodes, we first model the migration cost and additional delay incurred by VNF live migration and reinstantiation. We then formulate the dynamic VNF mapping and scheduling jointly as a mixed-integer linear programming (MILP) problem with specified cost and delay models. We propose two Tabu search (TS)-based algorithms, i.e., TS-based VNF remapping and rescheduling (TS-MAPSCH) algorithm and TS-based pure VNF rescheduling (TS-PSCH) algorithm, to obtain suboptimal solutions to the MILP problem efficiently. Simulation results show that the proposed solution is very close to the optimum and that the proposed dynamic algorithms outperform existing works with respect to multiple performance metrics, including the service provider’s profit, service acceptance ratio, and QoS satisfaction level.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle