Preemptive Prediction-Based Placement of Time-Critical SFCs With VNF Sharing at the Edge
Notice bibliographique
Résumé
The demand for ultra-low latency requirements is fueled by the growing popularity of real-time and time-critical applications such as virtual, augmented, and mixed reality, and industrial IoT. Time-critical applications and services are real-time software whose failure could result in catastrophic consequences such as fatalities, damage to property, and even financial losses. Edge computing is the main enabler of 5G ultra-low latency use cases. Edge resources are limited compared to abundant cloud computing resources. As such, provisioning time-critical applications at the edge is more challenging and demanding. Even though virtual network function (VNF) sharing improves the utilization of the service providers’ resources, service requests, including time-critical ones, can still be rejected due to insufficient resources. This paper proposes a Preemptive Prediction-based Placement scheme (PPPS) for time-critical services with VNF sharing. In addition to prioritizing time-critical premium (Pr) services over best-effort (BE) services, PPPS utilizes the predicted required resources in a defined lookahead window. In cases when no resources are available for Pr services, a preemption mechanism preempts resources for the Pr service, by deporting one or more running BE services. The experimental results show that PPPS can reduce the Pr services rejection rate to ~0% while minimizing the disturbance that BE services witness such as prolonged waiting times.
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 | 0,000 |
| 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 ».