Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Service Function Chaining

Sortuj według:

Ogranicz wyniki do:

Heurystyczny algorytm ulokowania łańcuchów funkcji obsługi w programowej sieci 5G

Martyna Jerzy

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

2022

nr 4

278--281

Wirtualizacja sieci 5G dostarcza usługi sieciowej określanej jako łańcuchy funkcji obsługi. Ich ulokowanie w rzeczywistej sieci winno spełniać wymagania użytkowników i ograniczenia systemowe. W artykule przedstawiono metodę ulokowania SFC, która minimalizuje koszty przetwarzania w systemie 5G. Przybliżone rozwiązanie tego problemu może być uzyskane m.in. przy użyciu podanego algorytmu heurystycznego. Badania symulacyjne potwierdziły efektywność proponowanego rozwiązania.

Virtualization of the fifth-generation network delivers the service function chains (SFCs). Their placement in the real network should meet user requirements and system restrictions. The article presents the SFC deployment method that minimizes the processing costs in the 5G system. An approximate solution to this problem can be obtained, among others, using the given heuristic algorithm. Simulation tests confirmed the effectiveness the proposed solution.

Application of Machine Learning Algorithms for Traffic Forecasting in Dynamic Optical Networks with Service Function Chains

Szostak Daniel, Walkowiak Krzysztof

Foundations of Computing and Decision Sciences

2020

Vol. 45, No. 3

217--232

Knowledge about future optical network traffic can be beneficial for network operators in terms of decreasing an operational cost due to efficient resource management. Machine Learning (ML) algorithms can be employed for forecasting traffic with high accuracy. In this paper we describe a methodology for predicting traffic in a dynamic optical network with service function chains (SFC). We assume that SFC is based on the Network Function Virtualization (NFV) paradigm. Moreover, other type of traffic, i.e. regular traffic, can also occur in the network. As a proof of effectiveness of our methodology we present and discuss numerical results of experiments run on three benchmark networks. We examine six ML classifiers. Our research shows that it is possible to predict a future traffic in an optical network, where SFC can be distinguished. However, there is no one universal classifier that can be used for each network. Choice of an ML algorithm should be done based on a network traffic characteristics analysis.