Optimizing end user QoS in heterogeneous network environments using reputation and prediction
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
Telecommunication consumers are fueling a demand for mobile devices that are rapidly increasing in their capability to provide a wider range of services. These services in turn are consuming more bandwidth and require richer quality of service (QoS) in order to ensure a good end user experience when performing activities such as streaming video content or facilitating voice over IP. As a result, network providers are expanding and improving their coverage area while technology to establish Wi-Fi hotspots is becoming more accessible to every day users. This combination of increase in demand and accessibility, coupled with users' ever-increasing expectations for high quality service presents a growing need to seamlessly optimize the use of the overlaid heterogeneous networks in urban areas to maximize the end user experience via the use of a vertical handover mechanism (VHO). Grey systems theory has been used in a wide range of systems including economic, financial, transportation, and military to accurately forecast time series based on limited information. In this paper, we build on a novel reputation-based VHO decision rating system by proposing the use of the grey model first-order one variable, GM(1,1), in the handover decision making progress. The low complexity of the GM(1,1) model allows for a quick and efficient prediction of the future reputation score for a given network, providing deeper insight into the current state of the target network. Furthermore, simulations show that the proposed model, in comparison with the original reputation model, improves the decision capability of a mobile node and helps balance the load across the heterogeneous networks employing its strategy.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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