Cost Optimization of FlexEthernet Over Elastic Optical Network Fronthaul Design
Notice bibliographique
Résumé
Without network slicing supports, traditional Fronthaul architectures struggle to meet the demanding requirements of 5G networks, such as the ultra-low latency and high bit rate specified by the enhanced common public radio interface (eCPRI). In this paper, we design a novel Fronthaul architecture that leverages FlexEthernet (FlexE) over elastic optical network (EON) to enable Fronthaul slicing meeting 5G Fronthaul requirements. Our Fronthaul design is optimized by an integer linear programming (ILP) model, named eFFP, that minimizes the total cost of ownership (TCO). While eFFP meets the strict Fronthaul requirements by provisioning network resources based on worst-case traffic load, it tends to overestimate required bit rate as a result of the inherent uncertainty and variability in real-world traffic. To tackle this challenge, we introduce uFFP, a stochastic Fronthaul provisioning strategy tailored to accommodate uncertain traffic demands and mitigate expenditure wastage. Relying on historical data, uFFP assesses statistical characteristics of traffic patterns to better estimate Fronthaul bit rate. Subsequently, we employ chance-constrained optimization to reformulate the uFFP problem, which is approximately solved using a convex relaxation approach known as uFFPA, and optimally solved using a deep reinforcement learning (DRL) approach called uFFPL. Simulation results demonstrate that our proposed solutions achieve significant cost savings, reducing TCO by 39.79% compared to the baseline.
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 | 0,001 |
| 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 ».