論文の概要: Mini-SFC: A Comprehensive Simulation Framework for Orchestration and Management of Service Function Chains
- arxiv url: http://arxiv.org/abs/2512.11527v1
- Date: Fri, 12 Dec 2025 12:54:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-15 15:48:11.769894
- Title: Mini-SFC: A Comprehensive Simulation Framework for Orchestration and Management of Service Function Chains
- Title（参考訳）: Mini-SFC:サービス機能チェーンのオーケストレーションと管理のための総合シミュレーションフレームワーク
- Authors: Xi Wang, Shuo Shi, Chenyu Wu,
- Abstract要約: Mini-SFCは、数値とコンテナベースの仮想シミュレーションの両方をサポートするモジュラーシミュレーションフレームワークである。
ユーザフレンドリさを強調するオープンソースプラットフォームとして、Mini-SFCは、アルゴリズムの迅速な検証と現実的なサービスデプロイメントの検証を容易にする。
- 参考スコア（独自算出の注目度）: 11.551728287188007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the continuously evolving cloud computing and network environment, service function chain (SFC) plays a crucial role in implementing complex services in the network with its flexible deployment capabilities. To address the limitations of existing SFC simulation tools, this paper introduces Mini-SFC, a modular simulation framework that supports both numerical and container-based virtual simulations, while also supporting online dynamic topology adjustments. As an open-source platform emphasizing user-friendliness, Mini-SFC facilitates rapid algorithm verification and realistic service deployment validation. By simplifying module design and providing standardized solver interfaces, Mini-SFC significantly shortens the learning curve for researchers and enhances the flexibility and scalability required for advanced SFC management and optimization. For readers interested in exploring or utilizing Mini-SFC, more information is available on the official project page.
- Abstract（参考訳）: 継続的に進化するクラウドコンピューティングとネットワーク環境において、サービス機能チェーン(SFC)は、その柔軟なデプロイメント機能を備えたネットワークで複雑なサービスを実装する上で重要な役割を担います。
既存のSFCシミュレーションツールの限界に対処するために,数値とコンテナベースの仮想シミュレーションをサポートするモジュール型シミュレーションフレームワークであるMini-SFCを導入するとともに,オンラインの動的トポロジ調整もサポートする。
ユーザフレンドリさを強調するオープンソースプラットフォームとして、Mini-SFCは、アルゴリズムの迅速な検証と現実的なサービスデプロイメントの検証を容易にする。
モジュール設計を簡略化し、標準化されたソルバインタフェースを提供することで、Mini-SFCは研究者の学習曲線を大幅に短縮し、高度なSFC管理と最適化に必要な柔軟性とスケーラビリティを向上させる。
Mini-SFCの探索や活用に関心のある読者は、公式プロジェクトページで詳細が確認できる。
関連論文リスト
- Simulating Environments with Reasoning Models for Agent Training [55.98861707136674]
トレーニング用の起動環境の構築は重く、脆く、進捗を制限します。
我々はSimia-SFTとSimia-RLの2つのフレームワークを提案する。
Simia-SFTとSimia-RLは、環境工学を使わずにスケーラブルなエージェントトレーニングを可能にする。
論文 参考訳（メタデータ） (2025-11-03T18:29:57Z) - CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。
CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。
トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
論文 参考訳（メタデータ） (2025-09-24T07:54:01Z) - FLsim: A Modular and Library-Agnostic Simulation Framework for Federated Learning [3.62218729239779]
フェデレートラーニング(FL)は2016年の創業以来、大きな発展を遂げてきた。
文献におけるFLの多様な要件を満たすために設計された総合的なFLシミュレーションフレームワークであるFLsimを紹介する。
FLsimの多種多様な技術実験における有効性と汎用性を示す。
論文 参考訳（メタデータ） (2025-07-15T15:53:01Z) - Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。
閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。
LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
論文 参考訳（メタデータ） (2025-07-13T09:14:17Z) - Transformer-Empowered Actor-Critic Reinforcement Learning for Sequence-Aware Service Function Chain Partitioning [1.9120720496423733]
本稿では,シーケンシャル・アウェア・SFCパーティショニングに特化して設計されたトランスフォーマーを利用したアクタ・クリティカル・フレームワークを提案する。
提案手法は,VNF間の複雑な相互依存性を効果的にモデル化し,協調的および並列化された意思決定プロセスを容易にする。
論文 参考訳（メタデータ） (2025-04-26T12:18:57Z) - Reactive Orchestration for Hierarchical Federated Learning Under a Communication Cost Budget [4.459066183810534]
本稿では,HFLパイプラインの適応的オーケストレーションのためのフレームワークを提案する。
本機構は,マルチレベル監視情報に基づいて,実行時にHFLアクションを発生させるイベントを特定し,反応する。
エコシステムを拡大することにより、我々のフレームワークは、運用環境の変化に対して迅速かつ効果的に反応する能力を示す。
論文 参考訳（メタデータ） (2024-12-04T15:12:00Z) - Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation
and Convergence [83.58839320635956]
フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。
最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。
本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
論文 参考訳（メタデータ） (2023-03-23T02:42:10Z) - ModularFed: Leveraging Modularity in Federated Learning Frameworks [8.139264167572213]
本稿では,フェデレートラーニング(FL)実装の複雑さに対処する研究に焦点を当てたフレームワークを提案する。
このアーキテクチャでは、プロトコルはフレームワークのコンポーネントの設計を厳密に定義する青写真である。
我々のプロトコルはFLにおけるモジュラリティの実現を目的としており、サードパーティのプラグイン・アンド・プレイアーキテクチャと動的シミュレータをサポートしています。
論文 参考訳（メタデータ） (2022-10-31T10:21:19Z) - SlimFL: Federated Learning with Superposition Coding over Slimmable
Neural Networks [56.68149211499535]
フェデレートラーニング(FL)は、デバイスの分散コンピューティング機能を活用した効率的なコミュニケーションとコンピューティングのための重要な実現手段である。
本稿では、FLと幅調整可能なスリムブルニューラルネットワーク(SNN)を統合した新しい学習フレームワークを提案する。
局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
論文 参考訳（メタデータ） (2022-03-26T15:06:13Z) - Joint Superposition Coding and Training for Federated Learning over
Multi-Width Neural Networks [52.93232352968347]
本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。
FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。
局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
論文 参考訳（メタデータ） (2021-12-05T11:17:17Z)
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。