Cross-Layer Design of MIMO-Enabled WLANs With Network Utility Maximization
Notice bibliographique
Résumé
Wireless local area networks (WLANs) have become a ubiquitous high-speed data-access technology. The recent IEEE 802.11e standard provides quality-of-service (QoS) support, and the pending 802.11n standard further increases the transmission rate by using the multiple-input-multiple-output (MIMO) technique. Multiple antennas can be used to improve the performance gain by either increasing the transmission reliability through spatial diversity or increasing the transmission rate through spatial multiplexing. This new characteristic at the wireless physical (PHY) layer requires the corresponding adaptation at the medium access control (MAC) layer to reach the best performance gain. In this paper, we propose cross-layer design schemes for WLANs under two different MAC protocols: the carrier sense multiple access with collision avoidance (CSMA/CA)-based 802.11e MAC and the slotted Aloha MAC. For the 802.11e MAC, two different contention window (CW) size adaptation schemes, namely,U-MACandD-MAC, are proposed, which facilitate the MAC protocol to jointly adapt its CW size with the PHY layer's MIMO operating parameters. For the slotted Aloha MAC, a cross-layer optimization frameworkNUM-Ois proposed to jointly optimize the MIMO configuration at the PHY layer and the persistent probabilities for different classes of multimedia traffic at the MAC layer. A distributed algorithmNUM-Dbased on dual decomposition and a simplified versionNUM-Sare also proposed. Simulation results are presented to show the effectiveness of the proposed methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».