Software-defined networking-based resource management: data offloading with load balancing in 5G HetNet
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
Abstract The explosive growth of mobile data traffic and the shortage of the available spectral resources have created new challenges for future cellular networks. In particular, resource management in heterogeneous network environment has become a critical issue. In this paper, we propose software-defined networking (SDN)-based resource management algorithms for future cellular network. Specifically, in this work, we have a threefold objective: i) alleviate spectrum shortage concerns by efficiently offloading traffic over the Wi-Fi network, ii) address network congestion by optimally balancing loads across multiple cells and iii) achieve the aforementioned objectives while taking network conditions and the end user quality-of-service (QoS) requirements into consideration. To this end, we present SDN-based partial data offloading and load balancing algorithms. The proposed algorithms exploit an SDN controller’s global view of the network and take optimized resource allocation decisions. We analyze the performance of the proposed algorithms under realistic network model. Moreover, we also present an analytical framework to quantify the delay incurred due to the SDN-based data processing and forwarding. Our analysis and system-level simulations show that the proposed load balancing algorithm significantly improves the equilibrium extent and network stability as compared to the baseline algorithms. On the other hand, the proposed partial data offloading algorithm is shown to satisfy end user’s quality-of-service while saving a significant amount of cellular resources.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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