Optimal Dual-Connectivity Traffic Offloading in Energy-Harvesting Small-Cell Networks
Notice bibliographique
Résumé
Traffic offloading through heterogenous small-cell networks (HSCNs) has been envisioned as a cost-efficient approach to accommodate the tremendous traffic growth in cellular networks. In this paper, we investigate an energy-efficient dual-connectivity (DC) enabled traffic offloading through HSCNs, in which small cells are powered in a hybrid manner including both the conventional on-grid power-supply and renewable energy harvested from environment. To achieve a flexible traffic offloading, the emerging DC-enabled traffic offloading in 3GPP specification allows each mobile user (MU) to simultaneously communicate with a macro cell and offload data through a small cell. In spite of saving the on-grid power consumption, powering traffic offloading by energy harvesting (EH) might lead to quality of service degradation, e.g., when the EH power-supply fails to support the required offloading rate. Thus, to reap the benefits of the DC-capability and the EH power-supply, we propose a joint optimization of traffic scheduling and power allocation that aims at minimizing the total on-grid power consumption of macro and small cells, while guaranteeing each served MU's traffic requirement. We start by studying a representative case of one small cell serving a group of MUs. In spite of the non-convexity of the formulated joint optimization problem, we exploit its layered structure and propose an algorithm that efficiently computes the optimal offloading solution. We further study the scenario of multiple small cells, and investigate how the small cells select different MUs for maximizing the system-wise reward that accounts for the revenue for offloading the MUs' traffic and the cost of total on-grid power consumption of all cells. We also propose an efficient algorithm to find the optimal MU-selection solution. Numerical results are provided to validate our proposed algorithms and show the advantage of our proposed DC-enabled traffic offloading through the EH-powered small cells.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».