MétaCan
Menu
Retour à la cohorte
Enregistrement W4296982419 · doi:10.1002/nem.2214

Load migration in distributed softwarized network controllers

2022· article· en· W4296982419 sur OpenAlexaff
Sepehr Abbasi Zadeh, Farid Zandi, Mohammad Amin Beiruti, Yashar Ganjali

Notice bibliographique

RevueInternational Journal of Network Management · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueSoftware-Defined Networks and 5G
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésComputer scienceScalabilityController (irrigation)Distributed computingDatapathProtocol (science)Load balancing (electrical power)Software-defined networkingConsistency (knowledge bases)Synchronization (alternating current)Reliability (semiconductor)State (computer science)Computer networkEmbedded systemChannel (broadcasting)Algorithm

Résumé

récupéré en direct d'OpenAlex

Abstract Distributed control solutions were introduced to address controller reliability and scalability issues in software‐defined networking (SDN). The dynamic nature of network traffic can lead to load imbalance among controller instances. A highly loaded controller instance can be slow in responding to datapath queries and can slow down the entire control platform, as state synchronization and consensus among controller instances are performed in a cooperative manner. In this paper, we present Efficient, Resilient, Consistent (ERC), a novel protocol for migrating the load of a given switch from a controller instance to a different instance. Our protocol has three distinguishing properties compared with prior works in this area: (1) It is resilient to failures during migration, (2) it maintains consistency among all controller instances, and nevertheless, (3) it is more efficient than existing load migration protocols. Compared with state‐of‐the‐art, ERC reduces the migration time by 23–50% depending on network load. The implicit assumed use case in the design of previous load migration algorithms (including ERC) has been the load balancing scenario. However, as this is not the only possible case, by maintaining the desirable properties of ERC, we introduce four variants of our protocol that can add to the versatility of the load migration handling. This is achieved by considering variations of role exchange between controller instances, which gives us an advantage over the fixed master–slave exchange that vanilla ERC or previous work support. We perform an extensive set of experiments to examine the impact of variable network parameters on the performance metrics of interest and to show the effectiveness of the ERC family of protocols in load migration.

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)0,004
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: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,008
Tête enseignante GPT0,226
Écart entre enseignants0,218 · 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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Network ManagementMême sujetSoftware-Defined Networks and 5GTravaux en français237 207