Distributed BS Transmit Power Control for Utility Maximization in Small-Cell 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
최근 많은 수의 모바일 유저와 과도한 트래픽 증가를 해결하기 위한 솔루션으로 피코 혹은 펨토 셀과 같은 소형 셀을 설치하는 방법이 주목 받고 있다. 그러나 소형 셀에 속한 엣지 유저들은 주변 기지국으로부터 극심한 셀간 간섭을 받기 때문에 낮은 평균 전송률을 얻게 되고, 이를 해결하기 위해서는 셀 간 간섭을 효과적으로 관리하는 방법이 필요하다. 최근의 많은 연구들은 셀 간 간섭 관리를 위해 기지국의 전송 전력을 제어하는 알고리즘을 제시하였지만, 제시된 방법들은 높은 복잡도를 가지고 중앙 기지국의 도움을 필요로 한다는 단점이 있다. 본 연구에서는 기지국간의 경쟁을 기반으로 하여, 낮은 복잡도를 가지는 분산화된 방법의 기지국 전송 전력 on/off 제어 및 유저 스케줄링 알고리즘을 제안한다. 시뮬레이션 결과를 통해, 제안하는 방법이 셀 간 간섭 관리를 하지 않는 방법에 비해 셀 엣지 유저의 경우 170%의 성능 개선을 보이고, 최적의 알고리즘과 비교 했을 때 88-96%에 달하는 geometric average throughput (GAT) 성능 및 매우 근접한 average edge user throughput (AET) 성능을 보임을 검증한다. Small cells such as pico or femto cells are promising as a solution to cope with higher traffic explosion and the large number of users. However, the users within small cells are likely to suffer severe inter-cell interference (ICI) from neighboring base stations (BSs). To tackle this, several papers suggest BS transmit power on/off control algorithms which increase edge user throughput. However, these algorithms require centralized coordinator and have high computational complexity. This paper makes a contribution towards presenting fully distributed and low complex joint BS on/off control and user scheduling algorithm (FDA) by selecting on/off pattern of BSs. Throughput the extensive simulations, we verify the performance of our algorithm as follows: (i) Our FDA provides better throughput performance of cell edge users by 170% than the algorithm without the ICI management. (ii) Our FDA catches up with the performance of optimal algorithm by 88-96% in geometric average throughput and sufficiently small gap in edge user throughput.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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