Priority-Aware Deployment of Autoscaling Service Function Chains Based on Deep Reinforcement Learning
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
Communication networks are being restructured by means of network function virtualization (NFV) and service-based architecture (SBA) to embrace greater flexibility, agility, programmability and efficiency. The deployment of service function chains (SFCs) to flexibly offer diverse network services is considered essential in NFV-based networks. Beyond the fifth-generation (5G) and sixth-generation (6G) eras, SFC deployment should be capable of satisfying various quality of service (QoS) requirements, coping with dynamic network states and traffic, handling urgent business in a timely manner, and avoiding resource congestion, all of which present significant scheduling challenges. In this paper, we propose a priority-aware deployment framework for autoscaling and multi-objective SFCs, which mainly includes 2 parts. First, to guarantee the diverse QoS requirements (e.g., latency and request acceptance rate) of various network services, a multi-objective SFC deployment scheme is established to optimize the service latency, deployment cost and service acceptance rate. Second, a deep reinforcement learning (DRL) algorithm, named the autoscaling and priority-aware SFC deployment algorithm (APSD), is further designed to solve the multi-objective optimization problem, which is NP hard. In APSD, we first prioritize requests with varying real-time characteristics to ensure that urgent services can be processed in a timely manner; based on the resiliency characteristics of virtual network functions (VNFs), we propose a hybrid scaling strategy to scale VNFs both horizontally and vertically to respond to changes in service requests and workload. We report comprehensive experiments carried out to assess the effectiveness of the proposed SFC deployment framework and demonstrate its advantages over its counterparts. Thus, we show that APSD is time efficient in solving the multi-objective optimization problem and that the obtained strategy always consumes the least resources (e.g., central processing unit (CPU) and memory resources) and surpasses two baseline algorithms with a 29.5% and 12.36% lower latency on average.
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 | 0,001 | 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