MétaCan
Menu
Retour à la cohorte
Enregistrement W2771499184 · doi:10.1109/twc.2017.2777825

Power-Aware Optimized RRH to BBU Allocation in C-RAN

2017· article· en· W2771499184 sur OpenAlexaff
Emad Aqeeli, Abdallah Moubayed, Abdallah Shami

Notice bibliographique

RevueIEEE Transactions on Wireless Communications · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensWestern University
Organismes subventionnairesRoyal Commission for Jubail and Yanbu
Mots-clésComputer scienceResource allocationScalabilityCloud computingDistributed computingC-RANHeuristicComputational complexity theoryBase stationComputer networkOptimization problemWirelessMathematical optimizationRadio access networkTelecommunicationsAlgorithm

Résumé

récupéré en direct d'OpenAlex

Wireless networks have faced increasing demand to cope with the exponential growth of data. Conventional architectures have hindered the evolution of network scalability. However, the introduction of cloud technology has brought tremendous flexible and scalable on demand resources. Thus, cloud radio access networks (C-RANs) have been introduced as a new trend in wireless technologies. Despite the novel advancements that C-RAN offers, remote radio head (RRH)-to-base band unit (BBU) resource allocation can cause significant downgrade in efficiency, particularly the allocation of computational resources in the BBU pool to densely deployed small cells. This causes an increase in power consumption and wasted resources. Consequently, an efficient resource allocation method is vital for achieving efficient resource consumption. In this paper, the optimal allocation of computational resources between RRHs and BBUs is modeled. This is dependent on having an optimal physical resource allocation for users to determine the required computational resources. For this purpose, an optimization problem that models the assignment of resources at these two levels is formulated. A decomposition model is adopted to solve the problem by formulating two binary integer programming subproblems; one for each level. Furthermore, two low complexity heuristic algorithms are developed to solve each subproblem. Results show that the computational resource requirements and the power consumption of BBUs and the physical machines decrease as the channel quality worsens. Moreover, the developed heuristic solution achieves a close to optimal performance while having a lower complexity. Finally, both models achieve high resource utilization, cementing the efficiency of the proposed solutions.

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)0,001
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: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,023
Tête enseignante GPT0,278
Écart entre enseignants0,255 · 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
GenreEmpirique

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

En bref

Citations51
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Wireless CommunicationsMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207