Power-Aware Optimized RRH to BBU Allocation in 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
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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