MétaCan
Menu
Retour à la cohorte
Enregistrement W2529373704 · doi:10.1109/tccn.2016.2615943

An Online Admission Control Algorithm for Dynamic Traffic in Underlay Coexistence Paradigm

2016· article· en· W2529373704 sur OpenAlexaff
Xu Yuan, Xiaoqi Qin, Feng Tian, Brian Jalaian, Yi Shi, Y. Thomas Hou, Wenjing Lou, Wade Trappe

Notice bibliographique

RevueIEEE Transactions on Cognitive Communications and Networking · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueCognitive Radio Networks and Spectrum Sensing
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Science Foundation
Mots-clésUnderlayComputer scienceComputer networkHop (telecommunications)Node (physics)Interference (communication)Distributed computingAlgorithmTelecommunicationsSignal-to-noise ratio (imaging)EngineeringChannel (broadcasting)

Résumé

récupéré en direct d'OpenAlex

Underlay is an aggressive spectrum sharing paradigm that allows secondary nodes to be active simultaneously with the primary nodes through interference cancelation (IC). In this paper, we design an online admission control algorithm to handle dynamic session arrival and departure in the underlay coexistence paradigm for multi-hop primary and secondary networks. For IC, we employ multiple antennas at each secondary node. Through distributed computation and degree-of-freedom (DoF) allocation at each secondary node, our algorithm ensures that all interference to/from the multi-hop primary network and interference within the multi-hop secondary network are canceled properly so that data transport is free of interference in both multi-hop primary and secondary networks. Further, we show that the DoF allocation by our algorithm is feasible (implementable) at the physical layer at all time. Through extensive performance evaluation, we find that our online admission control algorithm can offer competitive performance when compared to an offline centralized algorithm.

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)0,004
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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
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 GPT0,305
Écart entre enseignants0,261 · 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
GenreMéthodes

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

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Cognitive Communications and NetworkingMême sujetCognitive Radio Networks and Spectrum SensingTravaux en français237 207