MétaCan
Menu
Retour à la cohorte
Enregistrement W3193468109 · doi:10.1109/tnse.2021.3104499

Fault-Resilience for Bandwidth Management in Industrial Software-Defined Networks

2021· article· en· W3193468109 sur OpenAlexafffund
Rutvij H. Jhaveri, Sagar Ramani, Gautam Srivastava, Thippa Reddy Gadekallu, Vaneet Aggarwal

Notice bibliographique

RevueIEEE Transactions on Network Science and Engineering · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueSoftware-Defined Networks and 5G
Établissements canadiensBrandon University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésComputer scienceTestbedSoftware-defined networkingBandwidth (computing)Computer networkDynamic bandwidth allocationDistributed computingResilience (materials science)Network managementSoftwareOperating system

Résumé

récupéré en direct d'OpenAlex

Industrial Cyber-Physical Systems (ICPS) expect assurances of timely delivery of data even during the occurrence of distinct faults. It is a challenge to manage the required bandwidth by providing resilience to link failures and dynamically changing bandwidth requirements. In this paper, we address the aforementioned challenge by exploring Software-Defined Networks (SDN). We present a framework coined SDN-RMbw (Software-Defined Networking Resilience Management for Bandwidth), which is a contract-based framework, where the components are bound to bandwidth contracts and a resilience manager. The bandwidth contracts state the bandwidth requirements of traffic flows. With each such contract, a monitor is associated, which is responsible to detect two events, run-time changes and link failures. Directly after receiving the event trigger reports from the monitor, new routes are calculated by a path-finding algorithm. Based on newly calculated routes, an observer detects whether the contract requirements are still satisfied, or the contract gets violated (termed as fault). To provide resilience to such faults in the network, a resilience manager integrated with control logic decides and executes a suitable response strategy. The proposed SDN-based framework aims at providing fault-resilience as well as adapting to different network-state changes. The proposed framework is evaluated using a Ryu SDN controller on a hardware testbed. Our results show that the proposed framework provides enhanced network resilience as compared to baseline mechanisms and improves the success rate up to 21% and bandwidth up to 111 Mbps under distinct network scenarios. Furthermore, extensive experimental emulations on the Mininet tool depicts the scalability of the proposed framework.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,220
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations69
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Network Science and EngineeringMême sujetSoftware-Defined Networks and 5GTravaux en français237 207