Leveraging synergy of SDWN and multi‐layer resource management for 5G networks
Notice bibliographique
Résumé
Fifth‐generation (5G) networks are envisioned to predispose flexible edge‐to‐core infrastructure to offer diverse applications. Convergence of software‐defined networking, software‐defined radio, and virtualisation on the concept of software‐defined wireless networking (SDWN) is a promising approach to support such dynamic networks. The principal technique behind the 5G‐SDWN framework is the separation of control and data planes that allows the abstraction of resources as transmission parameters of users. In such environment, resource management plays a critical role to achieve efficiency and reliability. The authors introduce a converged multi‐layer resource management (CML‐RM) framework for SDWN‐enabled 5G networks that involve a functional model and an optimisation framework. In such framework, the key questions are if 5G‐SDWN can be leveraged to enable CML‐RM over the portfolio of resources, and reciprocally, if CML‐RM can effectively provide performance enhancement and reliability for 5G‐SDWN. The authors tackle these questions by proposing a flexible protocol structure for 5G‐SDWN, which can handle all the required functionalities in a more cross‐layer manner. They demonstrate how the proposed general framework of CML‐RM can control the end‐user quality of experience. Moreover, for two scenarios of 5G‐SDWN, they investigate the effects of joint user‐association and resource allocation via CML‐RM to improve performance in virtualised networks.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».