A uniform framework for network selection in Cognitive Radio Networks
Notice bibliographique
Résumé
With the development of secondary spectrum markets, it is anticipated that multiple Primary Networks (PRNs) who own underutilized spectrum resources will be incorporated into Cognitive Radio Networks (CRNs). In this scenario, CRNs will have a greatly enhanced choice of accessible spectrum resources to support large volumes of Secondary Users (SUs), and guarantee the QoS reliability. Network selection problem, i.e. choosing which PRN to access, is essential for CRNs in a multi-PRN environment. However, to the best of our knowledge, there is still lack of a unified method to address the network selection problem. In this paper, we aim to present a uniform framework to investigate and evaluate network selection strategies for CRNs. First, we model the interactive process of SUs and PUs as a Continuous Time Markov Decision Process (CTMDP), and abstract the network selection strategy into the set of decision variables with respect to system states in the CTMDP. Second, under the proposed framework, we discuss multiple existing strategies, such as random, greedy, and statistically-weighted. Third, to achieve a more effective method, we derive the performance gradient of CRNs' utility function with respect to the network selection strategy, and propose a gradient-based optimal network selection strategy by using the theory of Markov performance potential. At last, simulations are conducted to validate the correctness of the proposed analytical framework, and the effectiveness of the proposed network selection scheme.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».