Reinforcement Learning-based Admission Control in Delay-sensitive\n Service Systems
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
Ensuring quality of service (QoS) guarantees in service systems is a\nchallenging task, particularly when the system is composed of more fine-grained\nservices, such as service function chains. An important QoS metric in service\nsystems is the end-to-end delay, which becomes even more important in\ndelay-sensitive applications, where the jobs must be completed within a time\ndeadline. Admission control is one way of providing end-to-end delay guarantee,\nwhere the controller accepts a job only if it has a high probability of meeting\nthe deadline. In this paper, we propose a reinforcement learning-based\nadmission controller that guarantees a probabilistic upper-bound on the\nend-to-end delay of the service system, while minimizes the probability of\nunnecessary rejections. Our controller only uses the queue length information\nof the network and requires no knowledge about the network topology or system\nparameters. Since long-term performance metrics are of great importance in\nservice systems, we take an average-reward reinforcement learning approach,\nwhich is well suited to infinite horizon problems. Our evaluations verify that\nthe proposed RL-based admission controller is capable of providing\nprobabilistic bounds on the end-to-end delay of the network, without using\nsystem model information.\n
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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