Dynamic Spectrum Management through Resource Virtualization with M2M Communications
Notice bibliographique
Résumé
Wireless spectrum licensing has increased due to the continuous evolution and use of cellular technology. The increase in the number of mobile-connected devices and global data traffic demand has led to a significant increase in demand for spectrum access with studies showing that there is unexploited capacity in the spectrum. This is especially critical for 5G networks where the service requirements are extremely stringent. To that end, this article proposes dynamic spectrum management through the combination of two innovative architectures, wireless resource virtualization (WRV) and machine-to-machine (M2M) communications. WRV allows for better utilization of the spectrum, while reducing both the capital and operational expenditures. On the other hand, M2M communications can help boost capacity and improve quality of service by leveraging spectrum access across multiple radio technologies. In this article, a brief discussion of multi-radio access technology heterogeneous networks is given. Then the problem of dynamic spectrum management through resource virtualization with M2M communications is described. To the best of our knowledge, such a combined framework has not been previously proposed. Two different algorithms are proposed to evaluate the performance of the considered architecture, namely a decomposition- based algorithm and a greedy-based algorithm. Simulation results show that such architecture can boost the overall capacity of the system by achieving higher data rates. Moreover, it is shown that the number of possibly supported M2M pairs is increased while using the same spectrum.
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 | 0,001 |
| 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 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 ».