MARC

 008250123s2024        us                              c    eng  d
■001000017164139
■00520250211152836
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384091707
■035    ▼a(MiAaPQ)AAI31561597
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aTsai,  Meng-Jung.
■24510▼aComputer  Network  Optimization  Using  the  Power  Metric
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a241  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Kleinrock,  Leonard.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aModern  network  research  focuses  on  optimizing  performance  through  congestion  control,  quality  of  service,  and  fairness.  With  the  rapid  expansion  of  networks  and  increasing  traffic,  balancing  throughput  and  response  time  has  become  critical.  This  thesis  explores  this  tradeoff  and  introduces  the  Power  metric  as  a  tool  for  optimizing  network  performance  and  expands  its  investigation  to  achieving  optimized  performance  with  optimum  fairness. The  Power  metric,  defined  as  the  ratio  of  normalized  throughput  to  normalized  mean  response  time,  serves  as  our  performance  optimization  goal.  Previous  research  primarily  focused  on  single-flow  systems,  but  contemporary  networks  involve  multiple  flows  with  more  complex  scenarios.  This  work  extends  Power  analysis  in  performance  optimization  to  modern  network  environments,  developing  a  model  that  also  accommodates  multiple  flows.  We  further  examine  different  queueing  disciplines  that  implement  various  levels  of  flow  discrimination.  In  addition,  we  examine  fairness  metrics  coupled  with  performance  optimization.Our  research  focuses  on  three  aspects:  performance,  flow  priority  discrimination,  and  fairness.  We  introduce  performance  metrics,  including  individual  power,  sum  of  power,  and  average  power,  and  optimize  these  metrics  using  an  M/M/1  system  model  with  multiple  flows  under  different  queueing  disciplines.  We  also  explore  fairness  metrics  such  as  throughput,  delay,  and  power,  and  investigate  scenarios  where  optimum  performance  and  equal  fairness  can  be  achieved  simultaneously.Additionally,  we  study  generalized  power,  which  allows  specifying  the  relative  preference  for  throughput  versus  delay,  providing  a  flexible  approach  to  optimizing  network  performance  based  on  specific  requirements.In  summary,  this  research  represents  a  first  step  in  incorporating  performance,  fairness,  and  priority  flow  discrimination  into  the  Power  metric  analysis  for  modern  multi-flow  network  environments.  Our  goal  is  to  provide  insights,  guidance,  and  "rules  of  thumb"  for  system  designers  to  create  more  efficient  and  equitable  network  systems.
■590    ▼aSchool  code:  0031.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aInformation  technology
■650  4▼aElectrical  engineering
■653    ▼aCongestion  control
■653    ▼aNetwork  optimization
■653    ▼aPower  metric
■653    ▼aQueueing
■653    ▼aScheduling
■653    ▼aPerformance  optimization
■690    ▼a0984
■690    ▼a0544
■690    ▼a0489
■690    ▼a0464
■71020▼aUniversity  of  California,  Los  Angeles▼bComputer  Science  0201.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164139▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books