AppRAN: Application-oriented radio access network sharing in mobile networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As a promising way to increase network capacity and reduce expenses, radio access network (RAN) sharing among mobile (virtual) network operators, has attracted extensive recent attention from both industry and academia. Meanwhile, mobile systems are undergoing fast evolution to virtualized infrastructure so as to tackle the ever-growing mobile traffic and the unremitting demand for high data rates. However, existing RAN sharing models intend to expose resource details, e.g., infrastructure and spectrum, to participating network operators of the RAN for resource-sharing purposes, which violates the principles of network abstraction and makes network management even more complicated. This paper presents AppRAN, an application-oriented framework for RAN sharing in mobile networks, which decouples network operators from radio resource by providing application-level services with Quality of Service (QoS) guarantee. AppRAN defines a serial of abstract applications with distinct QoS requirements and periodically computes application-level resource allocation for each radio element at a central controller w.r.t. traffic demands and average channel condition. The radio elements are allowed to independently determine flow-level resource allocation within each application afterwards. We formulate the application-level resource allocation as an optimization problem and develop a fast algorithm to solve it with a provably approximate guarantee. The efficacy of AppRAN is validated through theoretical analysis and computer simulations. We show that AppRAN is in line with the design of software-defined RAN.
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.
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 | 0,000 | 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 découle