Empirical Benchmarking of a Low-Latency Cloud-Native Testbed for High-Complexity AI-Enabled Network Functions in B5G Edge
Notice bibliographique
Résumé
Software-defined networking (SDN) architectures in edge networks often face limitations due to centralized bottlenecks and rigid Northbound Interfaces (NBIs), hindering scalability and responsiveness. This paper proposes a cloud-native framework that enables decentralized agent communications with machine learning servers for real-time, context-aware clustering of user equipment (UE) at the edge. This facilitates dynamic assignment of service-level priorities for downstream tasks. The framework utilizes cloud-native network functions (CNFs) to deploy edge-native modules that trigger classification services based on contextual metadata. Further, the approach utilizes service mesh technologies to support decentralized agent-model interactions, and Redis publish/subscribe (Pub/Sub) patterns enable event-driven updates without polling or traditional APIs. The architecture reduces latency, minimizes control overhead, and enhances adaptability in multi-slice environments. By integrating graph autoencoders into edge microservices, agents can respond to dynamic user behavior and environmental changes with minimal reliance on centralized controllers. Experimental results show up to 60% reduction in end-to-end response time and 35% reduction in CPU overhead, demonstrating the efficiency of the proposed approach. This work contributes to the development of scalable, intelligent edge networks for beyond 5G (B5G) systems.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».