VNF Placement Problem: A Multi-Tenant Intent-Based Networking Approach
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
Network Function Virtualization (NFV) has revolutionized the way networking services are offered and deployed. Moving away from a rigid and hardware-centric approach, where expensive and dedicated network components are used, NFV is now leveraging standard x86 servers, where softwarized images of network functions (NFs) can be hosted as Virtual Machines (VNFs) or containers (CNFs). However, in terms of deploying, configuring, and interconnecting these softwarized images, a lot of manual intervention is required. To this end, the Intent-Based Networking (IBN) paradigm has emerged, which has as a goal to automate the network configuration by translating a high-level and abstract request of a network service into a detailed policy description. Usually, IBN and NFV are studied separately, even though in reality they are highly correlated and can benefit from each other. In particular, network services can be expressed as abstract service requirements from the users, where through an IBN System (IBNS) will be translated into specific network policies and a VNF/CNF deployment solution, called VNF Placement solution. Accordingly, in this paper, we aim to combine these two technologies together in order to automate the deployment of the VNFs in a Cloud-based infrastructure, while supporting multitenancy and intent refinement. Our results reveal that an IBN-based VNF placement solution can successfully offer network services, expressed as user intents, in such a way that the network services are automatically configured according to the quality of service and security requirements included in the intent.
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 | 0,000 | 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 découle