A Clustering-based Consistency Adaptation Strategy for Distributed SDN\n Controllers
Notice bibliographique
Résumé
Distributed controllers are oftentimes used in large-scale SDN deployments\nwhere they run a myriad of network applications simultaneously. Such\napplications could have different consistency and availability preferences.\nThese controllers need to communicate via east/west interfaces in order to\nsynchronize their state information. The consistency and the availability of\nthe distributed state information are governed by an underlying consistency\nmodel. Earlier, we suggested the use of adaptively-consistent controllers that\ncan autonomously tune their consistency parameters in order to meet the\nperformance requirements of a certain application. In this paper, we examine\nthe feasibility of employing adaptive controllers that are built on-top of\ntunable consistency models similar to that of Apache Cassandra. We present an\nadaptation strategy that uses clustering techniques (sequential k-means and\nincremental k-means) in order to map a given application performance indicator\ninto a feasible consistency level that can be used with the underlying tunable\nconsistency model. In the cases that we modeled and tested, our results show\nthat in the case of sequential k-means, with a reasonable number of clusters\n(>= 50), a plausible mapping (low RMSE) could be estimated between the\napplication performance indicators and the consistency level indicator. In the\ncase of incremental k-means, the results also showed that a plausible mapping\n(low RMSE) could be estimated using a similar number of clusters (>= 50) by\nusing a small threshold (~$ 0.01).\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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».