MétaCan
Menu
Retour à la cohorte
Enregistrement W2304090164 · doi:10.1109/iccnc.2016.7440662

Resource allocation for relay-aided OFDMA networks with constraints on queue stability

2016· article· en· W2304090164 sur OpenAlexaff
Sara Lakani, François Gagnon

Notice bibliographique

Revue2016 International Conference on Computing, Networking and Communications (ICNC) · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Wireless Network Optimization
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésComputer scienceQueueComputer networkQueueing theoryRelayMathematical optimizationFork–join queueTelecommunications linkDistributed computingQueue management systemMathematics

Résumé

récupéré en direct d'OpenAlex

In this paper we consider subcarrier allocation to relay-assisted users in an OFDMA wireless network. The two-hop downlink transmission is modeled as a network of queues in series. We have studied the queue length evolution at each hop and propose a rate control mechanism to stabilize the considered queues. To the best of our knowledge this is the first work that stabilizes the system without sending queue length information that causes extra transmission overhead. The suggested allocation problem aims to maximize the system throughput with respect to the channel condition and the stability requirements. In order to solve the resulting combinatorial problem we apply a time-shared approach and then convert the outcome to binary allocations which is called anti-relaxation mechanism. Since the optimization problem requires exponential computation time, we have proposed a less complex heuristic approach. The extensive numerical trials confirm that the stability control mechanism balances the data arrival and departure rates which is the required condition for queue stability. When time-sharing is not permitted, the heuristic algorithm can guarantee the queue length stability in significantly smaller execution time comparing to the anti-relaxation method.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,265
Écart entre enseignants0,222 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2016 International Conference on Computing, Networking and Communications (ICNC)Même sujetAdvanced Wireless Network OptimizationTravaux en français237 207