Capacity planning for 5G packet-based front-haul
Notice bibliographique
Résumé
Packet switched transport technologies have been suggested to be used in 5G front-haul networks. Front-haul bandwidth and packet latency are two major challenges to be addressed in these networks. This paper focuses on capacity planning for packet-based front-haul technologies considering the latency requirements of the 5G front-haul flows. More specifically, we answer three main questions for Constant Bit Rate (CBR) and Variable Bit Rate (VBR) packet front-haul networks: First, is statistical multiplexing gain always achievable in packet front-haul networks? Second, what is the minimum bandwidth required to accommodate a set of front-haul flows on a front-haul link? Third, what is the proper bandwidth allocation and the scheduling algorithm among the packets of different antennas to guarantee the latency requirements of the flows? It is shown that for CBR traffic no statistical multiplexing gain is achievable and the Earliest Deadline First (EDF) is the optimal packet scheduler. For VBR traffic, statistical multiplexing gain is achievable only when the latency requirement of at least one flow is greater than the packet inter-arrival time. The optimal bandwidth allocation is also determined for a Weighted Fair Queueing (WFQ) scheduler. Finally, simulation is used to validate the theoretical results for both CBR and VBR front-haul traffic.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».