Performance Measurement of IoT Traffic Through SRv6 Network Programming
Notice bibliographique
Résumé
Segment Routing over IPv6 (SRv6) is a modern networking technology for source routing that is envisioned to achieve high reliability, availability, and scalability of current IoT networks. Based on the IoT use-case scenario, traffic requires processing at both the edge and the cloud, and, thus it must be forwarded through the service provider’s core networks. Using SRv6, IoT traffic can be forwarded over IPv6 without additional protocol overhead. However, performance measures are still needed to evaluate SRv6 behaviors or functions. To this end, the goal of this paper is to develop a realistic IoT traffic profile and use it to measure the performance of SRv6 behaviors. In particular, an SRv6 programming model is proposed that consists of three modules: Orchestrator, System Under Test (SUT), and Traffic Generator (TG). The proposed model considers IoT traffic forwarding through core and ensures reliability and quality of service (QoS). Then, different benchmarking methodologies, i.e., no-drop rate (NDR), partial drop rate (PDR), and maximum receive rate (MRR) are implemented to measure the performance of SRv6 policy headend and endpoint behaviors. Finally, a novel finder algorithm for MRR is proposed to automate the MRR benchmarking in the Linux kernel deployment. Implementation results are used to provide insights on the use of SRv6 behaviors to forward different IoT applications traffic based on the functional service requirements.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».