Dynamic Resource Allocation for Virtualized Wireless Networks in Massive-MIMO-Aided and Fronthaul-Limited C-RAN
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
This paper considers the uplink dynamic resource allocation in a cloud radio access network (C-RAN) serving users belonging to different service providers (called slices) to form virtualized wireless networks (VWN). In particular, the C-RAN supports a pool of base-station (BS) baseband units (BBUs), which are connected to BS radio remote heads (RRHs) equipped with massive massive multiple input multiple output (MIMO), via fronthaul links with limited capacity. Assuming that each user can be assigned to a single RRH-BBU pair, we formulate a resource allocation problem aiming to maximize the total system rate, constrained on the minimum rates required by the slices and the maximum number of antennas and power allocated to each user. The effects of pilot contamination error on the VWN performance are investigated and pilot duration is considered as a new optimization variable in resource allocation. This problem is inherently nonconvex, NP-hard and, thus, computationally inefficient. By applying the successive convex approximation and complementary geometric programming approach, we propose a two-step iterative algorithm: one to adjust the RRH, BBU, and fronthaul parameters, and the other for power and antenna allocation to users. Simulation results illustrate the performance of the developed algorithm for VWNs in a massive-MIMO-aided and fronthaul-limited C-RAN, and demonstrate the effects of imperfect channel state information estimation due to pilot contamination error, and the optimal pilot duration.
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 | 0,000 |
| 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 | 0,001 | 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