Traffic Measurement for Big Network Data / Chen, Shigang  

Público ISBD Ningún comentario para este título. Título : Traffic Measurement for Big Network Data Tipo de documento: documento electrónico Autores: Chen, Shigang, ; Chen, Min, ; Xiao, Qingjun, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: VII, 104 p. 45 ilustraciones, 2 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-47340-6 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Telecomunicación  Red de computadoras  Software de la aplicacion  Ingeniería en Comunicaciones  Redes  Redes de comunicación informática  Aplicaciones informáticas y de sistemas de información Clasificación: 621.382 Telecomunicaciones Resumen: Este libro presenta varios métodos compactos y rápidos para la medición del tráfico en línea de big data de red. Describe los desafíos de la medición del tráfico en línea, analiza el estado del campo y proporciona una descripción general de las posibles soluciones a los principales problemas. Los autores introducen el problema de la medición del tamaño por flujo para grandes datos de red y presentan una arquitectura de contador rápida y escalable, llamada Counter Tree, que aprovecha un esquema de intercambio de contador bidimensional para lograr una eficiencia de memoria mucho mejor y ampliar significativamente el rango de estimación. A diferencia de los enfoques tradicionales para los problemas de estimación de cardinalidad que asignan una estructura de datos separada (llamada estimador) para cada flujo, este libro toma un camino de diseño diferente al ver todos los flujos juntos como un todo: cada flujo se asigna con un estimador virtual, y estos flujos virtuales Los estimadores comparten un espacio de memoria común. Se ha diseñado un marco de estimadores virtuales para aplicar la idea de compartir a una serie de soluciones de estimación de cardinalidad, logrando una eficiencia de memoria mucho mejor que el mejor trabajo existente. Para concluir, los autores analizan la estimación de la dispersión persistente en redes de alta velocidad. Ofrecen una estructura de datos compacta llamada mapa de bits multivirtual, que puede estimar la cardinalidad de la intersección de un número arbitrario de conjuntos. Utilizando mapas de bits multivirtuales, se presenta una implementación que puede ofrecer una alta precisión de estimación en un espacio de memoria muy reducido. Los resultados de estos experimentos sorprenderán tanto a los profesionales del campo como a los estudiantes de nivel avanzado interesados ​​en el tema. Al proporcionar tanto una descripción general como los resultados de experimentos específicos, este libro es útil para quienes son nuevos en la medición del tráfico en línea y para expertos en el tema. Nota de contenido: Introduction -- Per-Flow Size Measurement -- Per-Flow Cardinality Measurement -- Persistent Spread Measurement. Tipo de medio : Computadora Summary : This book presents several compact and fast methods for online traffic measurement of big network data. It describes challenges of online traffic measurement, discusses the state of the field, and provides an overview of the potential solutions to major problems. The authors introduce the problem of per-flow size measurement for big network data and present a fast and scalable counter architecture, called Counter Tree, which leverages a two-dimensional counter sharing scheme to achieve far better memory efficiency and significantly extend estimation range. Unlike traditional approaches to cardinality estimation problems that allocate a separated data structure (called estimator) for each flow, this book takes a different design path by viewing all the flows together as a whole: each flow is allocated with a virtual estimator, and these virtual estimators share a common memory space. A framework of virtual estimators is designed to apply the idea of sharing to an array of cardinality estimation solutions, achieving far better memory efficiency than the best existing work. To conclude, the authors discuss persistent spread estimation in high-speed networks. They offer a compact data structure called multi-virtual bitmap, which can estimate the cardinality of the intersection of an arbitrary number of sets. Using multi-virtual bitmaps, an implementation that can deliver high estimation accuracy under a very tight memory space is presented. The results of these experiments will surprise both professionals in the field and advanced-level students interested in the topic. By providing both an overview and the results of specific experiments, this book is useful for those new to online traffic measurement and experts on the topic. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Traffic Measurement for Big Network Data [documento electrónico] / Chen, Shigang, ; Chen, Min, ; Xiao, Qingjun,  . -  1 ed.  . - [s.l.] : Springer, 2017 . - VII, 104 p. 45 ilustraciones, 2 ilustraciones en color. ISBN : 978-3-319-47340-6 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Telecomunicación  Red de computadoras  Software de la aplicacion  Ingeniería en Comunicaciones  Redes  Redes de comunicación informática  Aplicaciones informáticas y de sistemas de información Clasificación: 621.382 Telecomunicaciones Resumen: Este libro presenta varios métodos compactos y rápidos para la medición del tráfico en línea de big data de red. Describe los desafíos de la medición del tráfico en línea, analiza el estado del campo y proporciona una descripción general de las posibles soluciones a los principales problemas. Los autores introducen el problema de la medición del tamaño por flujo para grandes datos de red y presentan una arquitectura de contador rápida y escalable, llamada Counter Tree, que aprovecha un esquema de intercambio de contador bidimensional para lograr una eficiencia de memoria mucho mejor y ampliar significativamente el rango de estimación. A diferencia de los enfoques tradicionales para los problemas de estimación de cardinalidad que asignan una estructura de datos separada (llamada estimador) para cada flujo, este libro toma un camino de diseño diferente al ver todos los flujos juntos como un todo: cada flujo se asigna con un estimador virtual, y estos flujos virtuales Los estimadores comparten un espacio de memoria común. Se ha diseñado un marco de estimadores virtuales para aplicar la idea de compartir a una serie de soluciones de estimación de cardinalidad, logrando una eficiencia de memoria mucho mejor que el mejor trabajo existente. Para concluir, los autores analizan la estimación de la dispersión persistente en redes de alta velocidad. Ofrecen una estructura de datos compacta llamada mapa de bits multivirtual, que puede estimar la cardinalidad de la intersección de un número arbitrario de conjuntos. Utilizando mapas de bits multivirtuales, se presenta una implementación que puede ofrecer una alta precisión de estimación en un espacio de memoria muy reducido. Los resultados de estos experimentos sorprenderán tanto a los profesionales del campo como a los estudiantes de nivel avanzado interesados ​​en el tema. Al proporcionar tanto una descripción general como los resultados de experimentos específicos, este libro es útil para quienes son nuevos en la medición del tráfico en línea y para expertos en el tema. Nota de contenido: Introduction -- Per-Flow Size Measurement -- Per-Flow Cardinality Measurement -- Persistent Spread Measurement. Tipo de medio : Computadora Summary : This book presents several compact and fast methods for online traffic measurement of big network data. It describes challenges of online traffic measurement, discusses the state of the field, and provides an overview of the potential solutions to major problems. The authors introduce the problem of per-flow size measurement for big network data and present a fast and scalable counter architecture, called Counter Tree, which leverages a two-dimensional counter sharing scheme to achieve far better memory efficiency and significantly extend estimation range. Unlike traditional approaches to cardinality estimation problems that allocate a separated data structure (called estimator) for each flow, this book takes a different design path by viewing all the flows together as a whole: each flow is allocated with a virtual estimator, and these virtual estimators share a common memory space. A framework of virtual estimators is designed to apply the idea of sharing to an array of cardinality estimation solutions, achieving far better memory efficiency than the best existing work. To conclude, the authors discuss persistent spread estimation in high-speed networks. They offer a compact data structure called multi-virtual bitmap, which can estimate the cardinality of the intersection of an arbitrary number of sets. Using multi-virtual bitmaps, an implementation that can deliver high estimation accuracy under a very tight memory space is presented. The results of these experiments will surprise both professionals in the field and advanced-level students interested in the topic. By providing both an overview and the results of specific experiments, this book is useful for those new to online traffic measurement and experts on the topic. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200