Optimizing information support technology for network control: a probabilistic-time graph approach
Notice bibliographique
Résumé
In modern telecommunications and computer networks, efficient and reliable information collection is essential for effective decision-making and control task resolution. Current methods, such as periodic data transmission, event-driven data collection, and on-demand requests, have distinct advantages and limitations. The object of the paper: The study focuses on developing a comprehensive model to optimize information collection processes in network environments. Subject of the paper: This paper investigates various information collection methods, including periodic data transmission, event-driven data collection, and on-demand requests, and evaluates their efficiency under different network conditions. This study proposes a flexible and accurate model that can optimize information support technologies for network control tasks. The key tasks include 1. Developing a probabilistic-time graph model to evaluate the efficiency of different information collection methods. 2. Analyzing model performance through mathematical relationships and simulations. 3. Comparing the proposed model with existing methodologies. Results. The proposed model demonstrated significant variations in the efficiency of the information collection methods. Periodic data transmission increased network load, while event-driven data collection was more responsive but could miss infrequent changes. On-demand requests balanced timely data needs with resource constraints but faced delays due to packet loss. The probabilistic time graph effectively captured these dynamics, providing a detailed understanding of the trade-offs. Conclusions. This study developed a flexible and accurate model for optimizing information support technologies during network control tasks. The model's adaptability to varying network conditions has significant practical implications for improving network efficiency and performance. Future research should explore the integration of machine learning techniques and extend the model to more complex network environments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».