Mobile traffic offloading by exploiting social network services and leveraging opportunistic device-to-device sharing
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
The ever increasing traffic demand is becomming a serious concern for mobile network operators. In order to solve the traffic explosion problem, there have been research efforts on offloading the traffic from cellular links to local communications among users. In this article, we leverage opportunistic device-to-device sharing, exploit the social impact among users in social network services (SNSs), and propose the novel framework of traffic offloading assisted by SNSs via opportunistic sharing in mobile social networks, called TOSS. In TOSS, initially a subset of mobile users are selected as seeds depending on their content spreading impact on online SNSs and their mobility patterns in offline MSNs. Then users share content objects via opportunistic local connectivity (e.g., WiFi Direct) with each other. Furthermore, the observation of SNS user activities reveals that individual users have distinct access patterns, which allows TOSS to utilize the user-dependent access delays between the content generation time and each user's access time for opportunistic sharing purposes. By trace-driven evaluation, we demonstrate that TOSS can reduce by 63.8-86.5 percent of cellular traffic while satisfying the access delay requirements of all users. Therefore, traffic offloading by leveraging opportunistic deviceto- device sharing based on SNSs can be quite effective and efficient as a promising content delivery service for traffic reduction in future mobile networks.
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 | 0,001 | 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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