Community Detection-Empowered Self-Adaptive Network Slicing in Multi-Tier Edge-Cloud System
Notice bibliographique
Résumé
Network slicing (NS) is a highly promising paradigm in 5G and forthcoming 6G communication networks. NS allows for the customization of multiple logically independent network slices to provide tailored service for vertical applications with diverse quality of service (QoS) requirements. However, current research on NS primarily relies on the traditional modeling methods such as service function chaining (SFC) and task offloading, which have limitations in adapting to the evolving scenarios in 5G/6G networks. To address this, our study introduces one novel Self-adaptive Network Slicing (SNS) modeling method. In this approach, each service is abstracted as multiple SFC replicas originating from diverse access points. Based on the SNS modeling, we investigate a VNF configuration and flow routing (VCFR) problem for service provisioning in a multi-tier system. With the objective of achieving load-balancing with minimal slice operational expenditure, we formulate the VCFR as a mixed-integer linear programming. However, deriving an exact solution via MILP is computationally expensive due to its NP-hardness. To reduce computational complexity, we propose one Load Balancing-considered Community Detection-based Heuristic (LBCD-Heu), our divide and conquer approach, to solve the problem. In LBCD-Heu, we first design a load balancing-considered community detection method to divide the substrate multi-tier network into multiple independent communities. Following this, the MILP is employed in each community to obtain a near-optimal solution. Extensive evaluations justify that LBCD-Heu can effectively reduce the service operational cost and algorithm run-time while ensuring the load balancing of substrate network. Additionally, our results verify that the SNS modeling enables the provision of services at lower expenditures compared with traditional modeling methods.
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 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».