Mobility-Aware Performance Evaluation of Heterogeneous Wireless Networks With Traffic Offloading
Notice bibliographique
Résumé
Traffic offloading among coexisting heterogeneous radio access technologies (RATs), i.e., inter-RAT offloading, is considered to be an effective strategy for enhancing the capacity of wireless networks and reducing the power consumption of both base stations (BSs) and mobile stations (MSs). To fully utilize inter-RAT offloading advantages, a mobility-aware evaluation is needed, which takes into account the combined effects of mobility and MS and BS spatial distributions on the performance gains. This paper proposes a novel analytical model that accurately describes MS mobility dynamics in heterogeneous wireless networks, while conveying detailed information on its location. In addition, this paper derives an analytical expression for calculating the packet loss probability for orthogonal-frequency-division-multiple-access (OFDMA)-based networks. Taking users' mobility and spatial distribution into account, this paper develops a Markovian-based framework for evaluating inter-RAT offloading performance. The accuracy of the proposed mobility model and the efficacy of the proposed performance evaluation framework are validated. Results show that MS mobility and vertical handover (VHO) cost significantly affect inter-RAT offloading performance, and ignoring their effects could lead to an inaccurate evaluation. When the effects of MS mobility and VHO cost on the performance are ignored, utilizing inter-RAT offloading decreases the packet loss probability by 9% and saves energy by 6%. However, accounting for these effects results in a 32% increase in the packet loss probability evaluation and a 64% increase in the energy consumption evaluation.
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 | 0,001 |
| 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 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 ».