Delay-QoS Aware Adaptive Resource Allocations for Free Space Optical Fronthaul 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
Statistical delay quality-of-service (QoS) aware adaptive resource allocation scheme is proposed for a multi-carrier coherent free space optical (FSO) communications based fronthaul network. The proposed resource allocation assigns remote radio heads (RRHs) to the suitable aggregation nodes (ANs) and allocates the transmit power to the orthogonal optical carriers. Specifically, the proposed resource allocation provides delay-QoS at the link layer by maximizing the effective sum capacity of the all the RRHs subject to transmit power budgets at the RRHs and capacity constraint of the wired fronthaul links connecting the ANs with the baseband unit (BBU) pool. The considered resource allocation is formulated as a mixed-integer non-linear programing (MINLP) problem. We use two transmission link optimization techniques, namely, independent link optimization (ILO) and joint link optimization (JLO), in order to solve the proposed MINLP problem. Under both optimization techniques, the proposed MINLP problem is decomposed into two subproblems which are iteratively solved in order to obtain the optical transmit power allocation and assignments of RRHs to the ANs. Our analysis reveals that the optical transmit power allocation and RRH-AN assignments depend on both the atmospheric turbulence fading and delay-QoS requirements. Numerical results demonstrate that the JLO technique achieves significant higher effective capacity (EC) compared to the ILO technique in the strict statistical delay-QoS constraints. However, the EC performance gap between the JLO and ILO techniques is reduced in the loose statistical delay-QoS constraints.
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 | 0,002 | 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