Fuzzy Soft-Set Based Approach for Femto-Caching in Wireless Networks
Notice bibliographique
Résumé
5G networks provide an interesting research challenge with the widespread use of Internet and the scale of mobile data traffic that grows explosively. The emerging need to bring data closer to users and minimizing the traffic off the macrocell base station (MBS) introduces the use of small, low power small base stations (SBS) with small cache space (termed femto caches, or more popularly, helpers). Helpers have low rate backhaul but high storage capacity that can be used to cache most popular files. When users request files that do not exist in helpers, then the files will be transmitted from MBS to helpers. The availability of the data in local cache can significantly improve performance since it overcomes the constraints in wireless environment. This leads to improving network throughput and reducing end-toend and backhaul delay. Caching the optimal contents into femto caches proactively depending on the knowledge about files popularity distribution is not enoughthe since Internet users have different context and different preferences. In this paper, we propose an algorithm for proactive caching based on fuzzy softset (FSS) approach for decision making. The algorithm decides which files to cache and where to cache them depending on file popularity distribution, file to user preferences, file clustering, and helpers to connected users clustering. The simulation results show significant overall cache hit rate increase with the increasing number of user requests. The algorithm can effectively improve system performance by reducing the delay for downloading the files and proactively cache those files which will improve user satisfaction.
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 | 0,001 | 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 | 0,001 | 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 ».