論文の概要: Investigation of FlexAlgo for User-driven Path Control

• arxiv url: http://arxiv.org/abs/2401.12582v1
• Date: Tue, 23 Jan 2024 09:19:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 08:27:10.825717
• Title: Investigation of FlexAlgo for User-driven Path Control
• Title（参考訳）: ユーザ駆動経路制御のためのFlexAlgoの検討
• Authors: Julia Kułacz, Martyna Pawlus, Leonardo Boldrini, Paola Grosso,
• Abstract要約: FlexAlgoは、複数のカスタムアルゴリズムが単一のドメイン内で共存できるようにする、ドメイン内のルーティングに対する新しいアプローチである。 この研究にはFlexAlgoのアプローチの徹底的な調査が含まれている。 我々は,推奨メトリクスと制約を用いてトラフィックステアリングを制御する自動ツールを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper examines the Flexible Algorithm (FlexAlgo) for its potential to enable user-driven path control in intra-domain Segment Routing (SR) enabled networks. FlexAlgo is a relatively new approach to intra-domain routing that allows multiple custom algorithms to coexist within a single domain. This capability has the potential to provide users with greater control over the paths their data takes through a network. The research includes a thorough investigation of the FlexAlgo approach, including an examination of its underlying techniques, as well as a practical implementation of a FlexAlgo-based solution. We depict performed experiments where we implemented FlexAlgo in three different scenarios. We also present how we developed an automated tool for users to control traffic steering using preferred metrics and constraints. The results of this investigation demonstrate the capabilities of FlexAlgo as a means of enabling user-driven path control and therefore increase security and trust of users towards the network.
• Abstract（参考訳）: 本稿では,フレキシブルアルゴリズム(FlexAlgo)を用いて,ドメイン内セグメンテーションルーティング(SR)対応ネットワークにおけるユーザ駆動経路制御を実現する。 FlexAlgoはドメイン内ルーティングに対する比較的新しいアプローチであり、複数のカスタムアルゴリズムが単一のドメイン内で共存できるようにする。 この能力は、ユーザが自分のデータがネットワークを経由するパスをもっとコントロールできる可能性がある。 この調査には、FlexAlgoのアプローチの徹底的な調査、基礎となる技術の調査、およびFlexAlgoベースのソリューションの実践的な実装が含まれる。 実験ではFlexAlgoを3つの異なるシナリオで実装しました。 また、推奨メトリクスと制約を使ってトラフィックステアリングを制御する自動ツールについても紹介した。 本研究の結果は,ユーザ主導の経路制御を実現する手段としてFlexAlgoの能力を実証し,ネットワークに対するユーザのセキュリティと信頼を高めるものである。

関連論文リスト

• AutoGLM: Autonomous Foundation Agents for GUIs [51.276965515952]
  我々は、グラフィカルユーザインタフェース(GUI)を介してデジタルデバイスを自律的に制御するための基礎エージェントとして設計された、ChatGLMファミリーの新しいシリーズであるAutoGLMを紹介する。 実世界のGUIインタラクションのための実践的基礎エージェントシステムとしてAutoGLMを開発した。 評価では、AutoGLMが複数のドメインにまたがって有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-28T17:05:10Z)
• Glider: Global and Local Instruction-Driven Expert Router [83.785832410832]
  モデルMoErging」手法は、保持タスクのパフォーマンスを犠牲にして、未確認タスクへの一般化を優先する。 マルチスケールルーティング機構を統合したGLIDER(Global and Local Instruction Driven Expert Router)を提案する。 GLIDERは、ホールドアウトタスクの強い一般化を維持しながら、ホールドイン性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:14Z)
• Analysis of flexible traffic control method in SDN [0.0]
  このプロジェクトでは、ネットワークの自律的な決定を可能にする、現代的なタイプの機械学習であるReinforcement Learningを使用している。 このソリューションは、ネットワークのパフォーマンス向上だけでなく、その柔軟性とリアルタイム適応性 - 柔軟なトラフィック制御も目標としている。
  論文  参考訳（メタデータ） (2024-09-15T18:09:59Z)
• Geospatial Trajectory Generation via Efficient Abduction: Deployment for Independent Testing [1.8877926393541125]
  情報(A*)探索により,移動軌跡を効率的に吸収できることが示される。 私たちはまた、正確な結果を提供するだけでなく、非常に大きなシナリオにもスケールできることを示す独自の実験について報告します。
  論文  参考訳（メタデータ） (2024-07-08T23:11:47Z)
• You Only Look at Screens: Multimodal Chain-of-Action Agents [37.118034745972956]
  Auto-GUIは、インターフェースと直接対話するマルチモーダルソリューションである。 そこで本研究では,エージェントが実行すべきアクションを決定するためのチェーン・オブ・アクション手法を提案する。 我々は,30$Kのユニークな命令を持つ新しいデバイス制御ベンチマークAITWに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2023-09-20T16:12:32Z)
• Bidirectional Generative Framework for Cross-domain Aspect-based Sentiment Analysis [68.742820522137]
  クロスドメインアスペクトベースの感情分析(ABSA)は、ソースドメインから知識を伝達することで、ターゲットドメイン上で様々なきめ細かい感情分析タスクを実行することを目的としている。 本稿では,多様なドメイン間ABSAタスクに対処するための統合双方向生成フレームワークを提案する。 我々のフレームワークは、テキストからラベルまでの方向とラベルからテキストへの方向の両方で生成モデルを訓練する。
  論文  参考訳（メタデータ） (2023-05-16T15:02:23Z)
• Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A Reinforcement Learning Based Approach [61.74489383629319]
  新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。 閉ループアクセス制御の強化学習(RL)支援方式を提案する。 深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
  論文  参考訳（メタデータ） (2023-03-05T12:25:49Z)
• Federated Multi-Target Domain Adaptation [99.93375364579484]
  フェデレートされた学習手法により、プライバシを保護しながら、分散ユーザデータ上で機械学習モデルをトレーニングすることが可能になります。 分散クライアントデータがラベル付けされず、集中型ラベル付きデータセットがサーバ上で利用可能となる、より実用的なシナリオを考えます。 本稿では,新しい課題に対処する効果的なDualAdapt法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T17:53:05Z)
• Learning to Generate Content-Aware Dynamic Detectors [62.74209921174237]
  サンプル適応型モデルアーキテクチャを自動的に生成する効率的な検出器の設計を新たに導入する。 動的ルーティングの学習を導くために、オブジェクト検出に適したコースツーファインの成層図を紹介します。 MS-COCOデータセットの実験により、CADDetはバニラルーティングに比べて10%少ないFLOPで1.8以上のmAPを達成することが示された。
  論文  参考訳（メタデータ） (2020-12-08T08:05:20Z)
• Multi-agent navigation based on deep reinforcement learning and traditional pathfinding algorithm [0.0]
  我々は,マルチエージェント衝突回避問題のための新しいフレームワークを開発する。 このフレームワークは、従来のパスフィニングアルゴリズムと強化学習を組み合わせたものだ。 我々のアプローチでは、エージェントはナビゲートするか、パートナーを避けるために簡単な行動をとるかを学ぶ。
  論文  参考訳（メタデータ） (2020-12-05T08:56:58Z)
• Exploring grid topology reconfiguration using a simple deep reinforcement learning approach [3.141133678115333]
  強化学習(Reinforcement Learning, RL)は、オペレータに対してグリッド制御アクションを提案するエージェントをトレーニングするための有望なテクニックである。 本稿では,RLを用いた簡易なベースライン手法を提案する。 このエージェントは、グリッド上の電力の流れを制御するためにトポロジカルスイッチングアクションをとっており、単一のウェル・チョーゼン・シナリオでのみ訓練される。
  論文  参考訳（メタデータ） (2020-11-26T20:22:08Z)

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。