Unified and non-parameterized statistical modeling of temporal and spatial traffic heterogeneity in wireless cellular 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
Understanding and solving performance-related issues of current and future (5G+) networks requires the availability of realistic, yet simple and manageable, traffic models which capture and regenerate various properties of real traffic with sufficient accuracy and minimum number of parameters. Traffic in wireless cellular networks must be modeled in the space domain as well as the time domain. Modeling traffic in the time domain has been investigated well. However, for modeling the User Equipment (UE) distribution in the space domain, either the unrealistic uniform Poisson model, or some non-adjustable model, or specifc data from operators, is commonly used. In this paper, stochastic geometry is used to explain the similarities of traffic modeling in the time domain and the space domain. It is shown that traffic modeling in the time domain is a special one-dimensional case of traffic modeling in the space domain. Unified and non-parameterized metrics for characterizing the heterogeneity of traffic in the time domain and the space domain are proposed and their equivalence to the inter-arrival time, a well accepted metric in the time domain, is demonstrated. Coefficient of Variation (CoV), the normalized second-order statistic, is suggested as an appropriate statistical property of traffic to be measured. Simulation results show that the proposed metrics capture the properties of traffic more accurately than the existing metrics. Finally, the performance of LTE networks under modeled traffic using the new metrics is illustrated.
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 | 0,000 |
| 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