GAI-Based Resource and QoE Aware Service Placement in Next-Generation Multi-Domain IoT Networks
Notice bibliographique
Résumé
Network Function Virtualization (NFV) has recently emerged as a highly cost-effective paradigm for flexibly provisioning services in next-generation Internet of Things (IoT) networks, by introducing Service Function Chain (SFC) technology. However, the rapid expansion of network scales and increasing diversification of service requirements in recent years pose significant challenges to ensuring the Quality of Experience (QoE) of users in Next-generation Multi-domain IoT (NMIoT) networks. The effective deployment of SFCs in NMIoT networks to satisfy diversified resource demands while enhancing QoE of users is crucial. The recent breakthroughs in Generative Artificial Intelligence (GAI) technologies bring a new opportunity to deliver customized services and guarantee enhanced service quality in NMIoT networks. To tackle the challenges, in this paper, we investigate the problem of Resource and QoE aware SFC Placement (RQSP) in NMIoT networks. Firstly, we formulate the RQSP problem as a mixed integer linear programming model, taking into account resource demands and Quality of Service (QoS) constraints, aiming to minimize the service cost, which is composed of resource consumption cost, cross-domain operational cost and penalty cost for unsuccessful placement. Then, we prove that the RQSP problem is NP-hard. To solve it, we incorporate GAI technology to devise a novel Generative genetic Algorithm based heuristic SFC Placement (GAP) method. Furthermore, we devise a greedy strategy based population initialization mechanism as well as an elitist and roulette wheel joint selection strategy, to speed up algorithm convergence and reduce runtime overhead. Finally, simulation results demonstrate that compared to benchmark algorithms, the proposed GAP algorithm can achieve better performances on service acceptance ratio, service cost, server utilization and average service delay.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».