Towards mobility-aware predictive radio access
Notice bibliographique
Résumé
Novel radio access techniques that leverage mobility predictions are receiving increasing interest in recent literature. The essence of these schemes is to lookahead at the future rates users will experience, and then devise long-term resource allocation strategies. For instance, a YouTube video user moving towards the cell edge can be prioritized to pre-buffer additional video content before poor coverage commences. While the potential of mobility-aware resource allocation has recently been demonstrated, several practical design aspects and evaluation approaches have not yet been addressed due to the complexity of the problem. Furthermore, since prior works have focused on specific applications there is also a strong need for a unified framework that can support different user and network requirements. For this purpose, we present a novel two-stage Predictive Radio Access Network (P-RAN) framework that can efficiently leverage both future data rate predictions in the order of tens of seconds, and instantaneous fast fading at the millisecond level. We also show how the framework can be implemented within the open source Network Simulator 3 (ns-3) LTE module, and apply it to optimize stored video delivery. A thorough set of performance tests are then conducted to assess the performance gains and investigate sensitivity to various prediction errors. Our results indicate that P-RANs can jointly improve both service quality and transmission efficiency. Additionally, we also observe that P-RAN performance can be further improved by modeling prediction uncertainty and developing robust allocation techniques.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».