Dynamic FlexEthernet Defragmentation Under Time-Varying Traffic in Multi-layer Multi-domain Networks
Notice bibliographique
Résumé
Traditional FlexEthernet (FlexE) defragmentation schemes have successfully been employed to reallocate the slots of affected FlexE clients during network changes such as FlexE physical link (PHY) failures in multi-layer multidomain (MLMD) networks in the context of fixed traffic rate. In such a context, constant slots of FlexE clients are statically pre-assigned using a round-robin algorithm before the network change takes place. However, in more realistic scenarios where traffic varies over time, this static assignment requires multiple defragmentation steps, potentially violating the maximum tolerated reconfiguration time and resulting in traffic loss. Therefore, a dynamic defragmentation scheme is required to efficiently move the affected slots without disrupting unaffected traffic. This paper introduces FDL, a semi-supervised learning approach designed to efficiently address the FlexE defragmentation problem under time-varying traffic conditions. FDL leverages an autoencoder for unsupervised pre-training, particularly due to the considerable amount of unlabeled data resulting from the unsolvable high-complexity optimization problem. To optimize throughput while adhering to reconfiguration time deadlines, FDL employs a gated recurrent unit (GRU) structure to forecast the future reassignment of FlexE clients’ slots over the defragmentation steps ahead. Simulation results demonstrate that the proposed FDL achieves a throughput that is 17.18% higher than a state-of-the-art approach.
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 ».