Genetic Algorithms with Variant Particle Swarm Optimization Based Mutation for Generic Controller Placement in Software-Defined Networks
Notice bibliographique
Résumé
To enable learning-based network management and optimization, the 5th Generation Mobile Communication Technology and Internet of Things systems usually involve software-defined networking (SDN) architecture and multiple SDN controllers to efficiently collect the big volume of runtime statistics, define network-wide policies, and enforce the policies over the whole network. To better plan the placement of controllers over SDN systems, this article proposes a generic controller placement problem (GCP) that considers the organization and placement of controllers as well as the switch attachment to optimize the delay between controllers and switches, the delay among controllers, and the load imbalance among controllers. To solve this problem without losing generality, a novel multi-objective genetic algorithm (MOGA) with a mutation based on a variant Particle Swarm Optimization (PSO) is proposed. This PSO chooses a global best position for a particle according to a pre-computed global best position set to lead the mutation of the particle. It successfully handles multiple conflicting objectives, fits the scenario of mutation, and can apply in many other flavors of MOGAs. Evaluations over 12 real Internet service provider networks show the effectiveness of our MOGA in reducing convergence time and improving the diversity and accuracy of the Pareto frontiers. The proposed approaches in formulating and solving the GCP in this article are general and can be applied in many other optimization problems with minor modifications.
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 ».