Dynamic Virtual Network Embedding Leveraging Neighborhood and Preceding Mappings Information
Notice bibliographique
Résumé
Future transportation systems are primarily based on the concept of the Internet of Vehicles (IoV). However, to fully unleash the potential of IoV, Network Virtualization (NV) is regarded as one of the key enablers. With NV, heterogeneous service requests can be deployed quickly, cost-effectively, and on-demand on a shareable infrastructure to meet stringent resource requirements. Virtual Network Embedding (VNE), one of the main challenges in NV, has been extensively investigated in the data-center paradigm, in which the network topology is static. Some existing VNE solutions have tackled the VNE problem in data-center networks while considering IoV demands, but very few have directly solved the problem considering vehicle mobility. Therefore, solving the online VNE problem in dynamic IoV environments, where connected and moving vehicles function as physical nodes to handle network service requests, still remains at an early stage. Towards that end, this paper proposes a novel heuristic algorithm that efficiently ranks available moving vehicles based on multiple network attributes, their neighborhood information, and the correlation of preceding mappings to tackle the online VNE problem in IoV. Moreover, we investigated the performance of several VNE algorithms using the Random Waypoint mobility model on different sizes of the Substrate Network (SN). We also introduce additional performance metrics to demonstrate the impact of vehicle mobility. Extensive simulation results indicate that the proposed algorithm performs better than state-of-the-art VNE algorithms in multiple performance metrics.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 ».