Resource adaptations for revenue optimization in cognitive mesh network using reinforcement learning
Notice bibliographique
Résumé
Nowadays, licensed users (primary users, PUs) can provide a means for offering internet service for unlicensed users (secondary users, SUs). We explore the ability of cognitive mesh network (CMN) to offer quality of service (QoS) required by real time services, streaming multimedia and other applications. We consider the approach where PUs rent the surplus spectrum to SUs to get some reward. However, when a PU rents more spectrum to SUs, its quality of service (QoS) is degraded due to a reduction of the spectrum. This complex contradicting requirement is embedded in our reinforcement learning (RL) model that is developed and implemented as shown in this paper. Available spectrum is managed by the PU which executes the extracted control policy. In this work, we propose a novel resource management scheme in the radio environment. RL is used as a means for extracting an optimal policy that helps a PU to adapt to the changing network conditions, so that the PU's profit is maximized continuously over time. The proposed scheme integrates different requirements such as rewards for PUs, QoS for PUs and the radio environment conditions. Performance evaluation of the proposed RL solution shows that the scheme is able to adapt to different network conditions and to guarantee the required QoS for PUs. Moreover, it is shown that CMN can support additional SUs traffic while still ensuring PUs QoS and maximizing PUs profits.
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 ».