OpenFlow rule placement in carrier networks for augmented reality applications
Notice bibliographique
Résumé
Today, mobile consumers increasingly use Augmented Reality (AR) devices to stream personal video through carrier networks. Thanks to its flexibility, Software-Defined Networking (SDN) is deployed in many carrier networks to support end-to-end network-slicing, which is substantial for these AR applications. In an OpenFlow-enabled SDN network, a controller must decide the rules to be placed into the switches in the network, subject to multiple constraints such as memory capacity, link bandwidth limitation, and flow continuity. Due to legacy switch models, prior work focuses only on unicast flows which cannot efficiently support AR applications with streaming traffic from one a source device (or server) to many destination devices across the network. In this paper, we optimize rule placement in resource-constrained Openflow networks for both unicast and multicast flows. Our approach is to leverage the use of Group Tables, which is recently introduced in the Open-Flow 1.1 specification, to support multicast flows and, at the same time, save switch memory. Traffic to multiple destinations can be aggregated to match a single flow table entry per switch. Therefore, significant link resources can be saved. The experimental results on three different topologies show our solution can support a higher number of flows than the state-of-the-art solutions by reducing both the link usage by up to 30% and the number of flow entries needed to deliver the traffic to destinations by 22%.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,003 |
| 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 ».