Optimum Biasing for Cell Load Balancing Under QoS and Interference Management in HetNets
Notice bibliographique
Résumé
In this paper, we consider a network in which lower power nodes (LPNs) are deployed jointly within macrocells. However, there are significant differences between the transmit power levels, coverage areas, and deployment densities of these two types of base stations. Such disparities lead to an unfair load distribution, as well as a lower throughput for picocells'users equipments (UEs). A good solution to such issues is the exploitation of the cell range expansion (CRE) technique. Although CRE has widely proven its effectiveness, it may degrade the network capacity if the cell bias is not chosen properly. In fact, it may generate severe intercell interference at extended region cell (ERC) UEs, which leads to a deterioration of their throughput. We thus propose a downlink coordinated cell range expansion for mobility management (CCREMM) strategy that analytically computes the joint optimal bias at picocells and macrocells. CCREMM mitigates the interference at ERC-UEs by accounting for their maximum tolerable interference. Moreover, CCREMM reaches the load balancing and the UE QoS satisfaction by accounting for additional parameters. It will be proven that our strategy which is associated with the maximum throughput scheduling technique, results in a cell load-balancing improvement, fairness, and a 50-90% UE throughput enhancement. These performance figures are shown to surpass those achieved by alternative approaches proposed in the existing literature.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».