On the Average Cost and Latency of Migration to the Next Generation of Networks
Notice bibliographique
Résumé
Networks are frequently changing due to new technologies. To increase the network performance, companies migrate their existing network to a network with a new technology. Finding an efficient optimization algorithm is an important challenge in the network migration. In this paper, the network migration problem is considered as a set of circuit migration problems in which multiple technicians simultaneously migrate the endpoints of circuits in order to minimize the average latency and average technician travel cost. While average latency indicates how fast the sites can be upgraded, average travel cost estimates the required cost for modernizing the network. First, We derive binary linear program and binary quadratic program formulations for average latency and average technician travel cost, respectively. Then we use the linear scalarization method to obtain a multi-objective optimization problem for simultaneously minimizing both costs. Our approach for solving the derived multi-objective optimization problem is based on converting it to a quadratic unconstrained binary optimization problem (QUBO) using the penalty method. Subsequently, we exploit the third generation of Fujitsu Digital Annealer which is a hybrid system of hardware and software to minimize the derived QUBO. To investigate the performance of our proposed method, we study extensive network migration instances on the 75-node CONUS network topology. Simulation results indicate that both costs can efficiently be optimized using our proposed method. We also directly solve the obtained multi-objective optimization problem with Gurobi solver. The comparison results show that our proposed method outperforms the Gurobi solver.
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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».