Mobile Cloud Storage Over 5G: A Mechanism Design Approach
Notice bibliographique
Résumé
In order to meet the increasing demand for the data storage, 5G wireless networks embodying mobile edge computing (MEC) features arise as a compelling solution. In this paper, the dense heterogeneous network (HetNet) and the MEC infrastructure are exploited to propose a mobile cloud storage framework that minimizes the data transmission delay. The proposed framework is composed of two parts: A data management with error correction (DMEC) scheme, and a radio resource management (RRM) scheme. The DMEC scheme, derived from the redundant array of inexpensive disks (RAID) technology, is implemented in the user equipment (TIE) side, and it intelligently exploits the overlapping coverage of HetNet to minimize the transmission delay. On the other hand, the RRM scheme, based on mechanism design, presents the physical resource block allocation problem as a graph coloring problem and performs the radio resource allocation in multiuser scenario to maximize the network performance. The RRM scheme also comprises a pricing algorithm, which calculates the price a TIE needs to pay for the resources. The proposed RRM scheme exhibits several desirable characteristics such as incentive compatibility, efficiency, and truthfulness, all derived from the Vickrey-Clarke-Groves mechanism. Simulation results are presented, showing that the proposed framework when compared to baseline techniques, minimizes the transmission delay by 102 %, which places our proposal as effective and efficient solution for the mobile cloud storage problem.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».