NFVLearn: A multi‐resource, long short‐term memory‐based virtual network function resource usage prediction architecture
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
Abstract Virtual resource load prediction in network function virtualization (NFV) is the subject of intense research due to its crucial role in enabling proactive resource adaptation in dynamic NFV environments whose resource demand constantly changes. Several long short‐term memory (LSTM)‐based approaches have been proposed to forecast the resource load of multiple resource attributes of a virtual network function (VNF) in a service function chain (SFC). In this article, we present NFVLearn, a flexible multivariate, many‐to‐many LSTM‐based model which uses different types of resource load history (CPU, memory, I/O bandwidth) from various VNFs of an SFC to predict future loads of multiple resources of a VNF. We then compare four novel automated input selection frameworks for NFVLearn. Simulations on those frameworks based on graph neural networks, Pearson correlation coefficient, Spearman rank correlation coefficient, and Kendall rank correlation coefficient demonstrate that models using lesser, highly correlated input features retain high prediction root mean squared error accuracy and coefficients of determination scores by leveraging resource attribute inter‐dependencies from the SFC. Those results show that resource attribute interdependency‐based input feature selection frameworks can reduce overhead in the control plane while keeping high accuracy and high fidelity resource load prediction of multiple resource attributes.
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 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle