BlockQoS: Fair Monetization of On-demand Quality-of-Service using Blockchains
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
Video conferencing has become an essential tool for working from home. However, poor audio/video quality resulting from unstable Internet connections undermines the productivity of important tasks. Additionally, the static monetization model for ISP networks, which employs third parties, cannot support on-demand and dynamic Quality-of-Service sessions that are necessary to maximize the Quality-of-Experience (QoE) of video conferencing. To address this, we introduce BlockQoS: Fair Monetization of On-Demand Quality-of-Service using Blockchains. BlockQoS allows clients to request and manage their Quality-of-Service requirements through a blockchain-based platform operating using a smart contract. It implements a decentralized monetization model to eliminate third parties, enforce transparency in service-level agreements (SLAs), and reduce blockchain operating costs by utilizing off-chain billing validated using zero-knowledge proofs (zk-SNARK). Additionally, we propose a Quality-of-Service delivery verification mechanism that enforces service level agreements on the hardware external to the blockchain, and a dynamic evaluation method based on the concept of Nash equilibrium in game theory that prevents malicious behavior by ISPs and users. We implemented BlockQoS over Ethereum with a Ryu controller, zk-SNARK, and SGX. Our experiments show that BlockQoS offers transaction cost reduction of up to 88% (gas cost) and latency reduction of up to 87% compared to the state-of-the-art on-chain solutions.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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