CASMaT: Characteristic-Aware SFC Mapping for Telesurgery Systems in Cloud-Edge Continuum
Notice bibliographique
Résumé
Network Function Virtualization (NFV) empowers Internet Service Providers (ISPs) to place Virtual Network Functions (VNFs) efficiently in order to enhance the network performance without incurring a high cost. In this environment, Service Function Chains (SFCs) always need to steer the traffic through a sequence of VNF instances. Therefore, ISPs must adopt a suitable SFC embedding strategy to bolster their revenue. However, existing VNF placement and chaining methodologies harbour unrealistic assumptions, as they tackle the mapping problem from a generic standpoint, overlooking the distinctive characteristics of the constituent VNFs within a chain. Hence, they are not efficient when the strict requirements of life-critical applications, such as telesurgery, need to be satisfied. In this paper, taking into account the strict requirements of telesurgery-like systems, we present a cost-efficient characteristic-aware SFC mapping method for telesurgery Systems in the Cloud-Edge continuum. We formulate this problem as a Binary Linear Programming (BLP) model to embed SFC requests at minimal cost. Also, we propose an innovative heuristic algorithm that allocates each VNF based on its distinctive characteristics. Simulation results demonstrate that taking the characteristics of the VNFs into account when addressing the placement problem improves the system performance notably.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,006 | 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 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 ».