Runtime Availability and Service Continuity of Containerized VNF Instances
Notice bibliographique
Résumé
A Virtual Network Function (VNF) is a software implementation of a network function (e.g., firewall, router, etc.), which can be deployed as Virtual Machines (VM) utilizing the resources of the infrastructure managed by the Network Function Virtualization (NFV) Management and Orchestration (MANO). A VNF can also be containerized to benefit from the lower virtualization overhead of containers. A containerized VNF is composed of one or more Managed Container Infrastructure Objects (MCIO). To design a Network Service (NS) for the NFV framework that satisfies required service availability and continuity requirements, one has first to determine the availability, failure rate, and service disruption of the VNFs composing the NS. These characteristics of a VNF depend on the availability and failure rate of its MCIOs and the underlying infrastructure. Solutions proposed to determine these VNF characteristics at design time, consider the estimated resource availability and failure rate of a given infrastructure. However, resources assigned to VNF instances at runtime can be different in characteristics and/or performance resulting in a difference between the estimated and the actual characteristics of the VNF instances. In addition, scaling and different placements of the MCIO instances at runtime can have similar effects. Therefore, in this paper, we investigate the parameters affecting the availability, failure rate, and service disruption of a containerized VNF instance, considering the internal redundancy of the VNF and the scalability of its instances at runtime. Based on this investigation, we propose analytical models to determine the availability, failure rate, and service disruption of a containerized VNF instance.
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 | 0,000 | 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 | 0,000 |
| 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 ».