A Framework for Joint Wireless Network Virtualization and Cloud Radio Access Networks for Next Generation Wireless Networks
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.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».