Joint Chance-Constrained Predictive Resource Allocation for Energy-Efficient Video Streaming
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
Predictive resource allocation (PRA) techniques that exploit knowledge of the future signal strength along roads have recently been recognized as promising approaches to save base station (BS) energy and improve user quality of service (QoS). Recent studies on human mobility patterns and wireless signal strength measurements along buses and trains have indeed supported the practical potential of PRA. An unresolved challenge, however, is modeling the uncertainty in the predictions, and developing real-time robust solutions that incorporate probabilistic QoS guarantees. This is of paramount importance in PRA due to the prediction time horizon that adds considerable complexity and increases the rate uncertainty in the problem. With these developments in mind, this paper addresses energy-efficient PRA applied to stored video streaming using chance constrained programming. The proposed solution incorporates: 1) uncertainty in predicted user rates; 2) a joint level of probabilistic constraint satisfaction over a time horizon; and 3) both optimal gradient-based and real-time guided heuristic solutions. Our framework fundamentally differs from previous PRA work in the literature where nonstochastic approaches with assumptions of perfect prediction were primarily used to demonstrate the potential energy savings and QoS gains. Numerical simulations based on a standard compliant long term evolution (LTE) system are provided to examine and compare the developed solution. Unlike existing energy-efficient PRA, the proposed framework achieves the desired QoS level under imperfect channel predictions. This robustness is attained without compromising the energy-efficiency compared to opportunistic schedulers, and thus supports PRA implementation in practice.
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 | 0,000 | 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 | 0,000 | 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