A Framework for Joint Wireless Network Virtualization and Cloud Radio Access Networks for Next Generation Wireless Networks
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
Wireless network virtualization (WNV) and cloud radio access networks (CRANs) are promising technologies with the potential to be game changing for the fifth generation (5G) wireless networks. In particular, these technologies may have significant impact on the capital expenditure, quality of service provisioning, as well as spectral efficiency in 5G networks. These two technologies are mostly considered separately in previous works. This paper, however, investigates both the gains and requirements of integrating WNV with CRAN. In this paper, we propose WNV schemes for CRAN, where the objective is to maximize the overall system throughput and minimize delay. The proposed schemes are designed to maintain a high level of isolation between mobile network operators (MNOs), which allows the deployment of different scheduling polices by different MNOs, and managing intercell interference, which may lead to significant throughput gain. Overall, the results presented in this paper reveal that a joint CRAN-WNV architecture can be highly efficient when MNOs have unbalanced loads, because MNOs with high loads can seamlessly access the underutilized resources of underloaded MNOs. The throughput gain in unbalanced loads can be as much as 50% using optimal sharing schemes when compared with static sharing, and about 18% when compared with the WNV without CRAN. The resource allocation problem in the joint CRAN-WNV is formulated, and both optimal and low complexity suboptimal solutions are derived. The obtained results show that integrating the two technologies in a joint architecture can significantly improve the network performance. However, reducing the complexity by adopting efficient sharing techniques may have tangible impact on the throughput when compared with optimal sharing.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 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