Efficient and Secure Traffic Scheduling Based on Private Sketch
Notice bibliographique
Résumé
In today’s data–driven world, the explosive growth of network traffic often leads to network congestion, which seriously affects service performance and user experience. Network traffic scheduling is one of the key technologies to deal with congestion problems. Traditional traffic scheduling methods often rely on static rules or pre–defined policies, which make it difficult to cope with dynamically changing network traffic patterns. Additionally, the inability to efficiently manage tail contributors that disproportionately contribute to traffic can further exacerbate congestion issues. In this paper, we propose ESTS, an efficient and secure traffic scheduling based on private sketch, capable of identifying tail contributors to adjust routing and prevent congestion. The key idea is to develop a randomized admission (RA) structure, linking two count–mean–min (CMM) sketches. The first CMM sketch records cold items, while the second, following the RA structure, stores hot items with high frequency. Moreover, considering that tail contributors may leak private information, we incorporate Gaussian noise uniformly into the CMM sketch and RA structure. Experimental evaluations on real and synthetic datasets demonstrate that ESTS significantly improves the accuracy of feature distribution estimation and privacy preservation. Compared to baseline methods, the ESTS framework achieves a 25% reduction in average relative error and a 30% improvement in tail contributor identification accuracy. These results underline the framework’s efficiency and reliability.
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 | 0,006 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,008 | 0,013 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».