Cost-Aware VNF Decomposition for VNF Forwarding Graph Embedding
Notice bibliographique
Résumé
To implement a Network Service (NS) within a Network Function Virtualization (NFV) environment, it is essential to create a sequence of connected Virtual Network Functions (VNFs), known as a VNF Forwarding Graph (VNF-FG), and then embed it onto the substrate network. The emergence of VNF decomposition as a new functional architecture allows VNFs to be broken down into smaller sub-functions, offering enhanced flexibility, resource sharing, and scalability. VNF decomposition can significantly reduce VNF embedding costs since different sub-functions can be efficiently reused by multiple network requests. However, when VNFs are decomposed into multiple sub-functions, selecting the appropriate decomposition option for each VNF and constructing the VNF-FG to embed onto the substrate network poses a significant challenge in NFV resource allocation (NFV-RA). A key challenge is identifying the optimal decomposition option among all possible choices for VNF embedding. In this paper, we introduce a cost-aware algorithm designed to address the topological decomposition of VNF-FGs, focusing on minimizing embedding costs while meeting specified service requirements. We formulate the VNF topology decomposition problem using Integer Linear Programming (ILP) to select the best decomposition option and minimize the embedding cost. Furthermore, we propose four efficient heuristics for different topologies to identify the optimal decomposition options for network embedding. Simulation results demonstrate that our proposed algorithm outperforms existing benchmarks in terms of embedding costs and achieves execution times that are up to 95% better than the SE 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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».