論文の概要: Traffic-Aware Service Relocation in Cloud-Oriented Elastic Optical
Networks
- arxiv url: http://arxiv.org/abs/2105.07653v1
- Date: Mon, 17 May 2021 08:00:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:35:48.485117
- Title: Traffic-Aware Service Relocation in Cloud-Oriented Elastic Optical
Networks
- Title（参考訳）: クラウド指向弾性光ネットワークにおけるトラヒックアウェアサービス移転
- Authors: R\'o\.za Go\'scie\'n
- Abstract要約: 弾性光学ネットワーク(EON)における効率的なサービス再配置の問題点を,ネットワーク性能の向上のために検討した。
まず,クラウド対応トランスポートネットワークのための新しいトラフィックモデルを提案する。
意思決定に3種類のデータを使用する21の異なる移転ポリシーを紹介します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we study problem of efficient service relocation (i.e.,
changing assigned data center for a selected client node) in elastic optical
networks (EONs) in order to increase network performance (measured by the
volume of accepted traffic). To this end, we first propose novel traffic model
for cloud ready transport networks. The model takes into account four flow
types (i.e., city-to-city, city-to-data center, data center-to-data center and
data center-to-data center) while the flow characteristics are based on real
economical and geographical parameters of the cities related to network nodes.
Then, we propose dedicated flow allocation algorithm that can be supported by
the service relocation process. We also introduce 21 different relocation
policies, which use three types of data for decision making - network
topological characteristics, rejection history and traffic prediction.
Eventually, we perform extensive numerical experiments in order to: (i) tune
proposed optimization approaches and (ii) evaluate and compare their efficiency
and select the best one. The results of the investigation prove high efficiency
of the proposed policies. The propoerly designed relocation policy allowed to
allocate up to 3% more traffic (compared to the allocation without that
policy). The results also reveal that the most efficient relocation policy
bases its decisions on two types of data simultaneously - the rejection history
and traffic prediction.
- Abstract（参考訳）: 本稿では,ネットワーク性能を向上させるために,エラスティック・オプティカル・ネットワーク(eons)における効率的なサービス移転(すなわち,選択したクライアントノードに割り当てられたデータセンタを変更する)の問題について検討する。
この目的のために,クラウド対応トランスポートネットワークのための新しいトラフィックモデルを提案する。
このモデルは4つのフロータイプ(都市間、都市間、都市間、データセンター間、データセンター間)を考慮しており、フロー特性はネットワークノードに関連する都市の実経済的および地理的パラメータに基づいている。
次に,サービス再配置プロセスでサポート可能な専用フロー割当アルゴリズムを提案する。
また,ネットワークトポロジ的特徴,拒否履歴,トラヒック予測という3種類のデータを用いて,21の異なる再配置ポリシを導入する。
i)提案する最適化アプローチをチューニングし、(ii)それらの効率を評価し比較し、最適なものを選択する。
調査の結果,提案した政策の高効率性が確認された。
プロポーアが設計した移動ポリシーにより、最大3%のトラフィックを割り当てることができた(このポリシーを使わずに割り当てる)。
また,最も効率的な再配置ポリシーは,拒否履歴とトラヒック予測の2種類のデータに基づいて決定されることを明らかにした。
関連論文リスト
- Newell's theory based feature transformations for spatio-temporal
traffic prediction [0.0]
本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。
この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。
私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
論文 参考訳（メタデータ） (2023-07-12T06:31:43Z) - Traffic Prediction with Transfer Learning: A Mutual Information-based
Approach [11.444576186559487]
そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。
TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
論文 参考訳（メタデータ） (2023-03-13T15:27:07Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic
Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。
モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文 参考訳（メタデータ） (2022-02-21T19:45:15Z) - Domain Adversarial Spatial-Temporal Network: A Transferable Framework
for Short-term Traffic Forecasting across Cities [9.891703123090528]
本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。
DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。
3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2022-02-08T03:58:39Z) - Learning from Images: Proactive Caching with Parallel Convolutional
Neural Networks [94.85780721466816]
本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。
モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。
数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
論文 参考訳（メタデータ） (2021-08-15T21:32:47Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。
DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。
その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2021-06-08T16:27:04Z) - IGANI: Iterative Generative Adversarial Networks for Imputation with
Application to Traffic Data [2.741266294612776]
本研究はIGANI(Iterative Generative Adversarial Networks for Imputation)と呼ばれる新しい反復型GANアーキテクチャを導入する。
IGANIは2つのステップでデータをインプットし、生成インプタの可逆性を維持する。
提案アルゴリズムは, 従来のGANベースの計算アーキテクチャと比較して, より正確な結果が得られた。
論文 参考訳（メタデータ） (2020-08-11T16:46:02Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳（メタデータ） (2020-05-22T23:07:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。