Robust traffic grooming and infrastructure placement in OTN-over-DWDM networks
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
The advent of next-generation networks has revolutionized modern networking practices through its improved service capability as well as its numerous emerging use cases. Coupled with the increasing number of connected devices, 5G and beyond (5G+) network traffic is expected to be increasingly diverse and high in volume. To address the large amount of data exchanged between the 5G+ core and external data networks, optical transport networks (OTNs) with dense wavelength-division multiplexing (DWDM) will be leveraged. In order to prepare for this increase in traffic, network operators (NOs) must develop and expand their existing backbone networks, requiring significant levels of capital expenditures. To this end, the traffic grooming and infrastructure placement problem is critical to supporting NO decisions. The work presented in this paper considers the traffic grooming and infrastructure placement problem for OTN-over-DWDM networks. The dynamicity and diversity of 5G+ network traffic are addressed through the use of robust optimization, allowing for increasing levels of solution conservativeness to protect against various levels of demand uncertainty. Furthermore, a robust traffic grooming and infrastructure placement heuristic (RGIP-H) solution capable of addressing the scalability concerns of the optimization problem formulation is presented. The results presented in this work demonstrate how the tuning of the robust parameters affects the cost of the objective function. Additionally, the ability of the robust solution to protect the solution under demand uncertainty is highlighted when the robust and deterministic solutions are compared during parameter deviation trials. Finally, the performance of the RGIP-H is compared to the optimization models when applied to larger network sizes.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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