Economics of user-in-the-loop demand control with differentiated QoS in cellular networks
Notice bibliographique
Résumé
Increasing cellular traffic is the driving force for innovations in wireless communications. While voice traffic is not expected to increase much and does not require 4G systems, traffic for video and data applications is expected to grow with a rate of 100% per year. Smart mobile devices, tablets and laptop dongles will certainly make this a reality. On the other hand the supply side cannot grow with the same rate. Base stations, eNB, pico- and femtocells will bring more heterogeneity in space and new applications will bring more heterogeneity in demand over time. Designing for over-provisioning capacity has been the standard approach to stabilize traffic, but is will be harder and harder, with more congestion situations in time (busy hour) and space (crowded cell) which will break application traffic and give bad quality-of-experience of users. Furthermore, over-provisioning comes with more power consumption and higher financial expenditures for infrastructure and operating costs. The user-in-the-loop (UIL) approach offers a solution orthogonal to the traditional supply-only view. In addition to technical improvements, having a temporal demand control can alleviate the severity of busy-hour situations which formerly caused congestion and connection failures. Demand shaping is implemented by a dynamic usage-based tariff and adaptive rates depending on the load condition. The users in a cell are part of a closed control loop which reacts in cases of severe demand overload. In this paper three different service classes are controlled individually and results from analysis and simulation show the performance in stationary and dynamic scenarios. The economics of tariffs and dynamic prices and the resulting operator revenue on one side is compared to the dissatisfaction of rejected users and this gives decision indicators for the investment into new infrastructure. Overall this saves money, energy and turns situations of hard congestion into an elastic stationarity which is in the interest of both users and operators.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».