Cross-Layer Cloud Offloading With Quality of Service Guarantees in Fog-RANs
Notice bibliographique
Résumé
Fog radio access networks (F-RANs) have recently been postulated as an innovative solution to improve the fronthaul capacities of cloud base stations (CBSs). This architecture extends the CBS service by involving enhanced remote radio heads (eRRHs), which can pre-store and transmit popular files at the network edge (i.e., close to the end users). This is referred to as caching, and it allows the offloading of CBS resources, e.g., time and frequency. Recent works have been proposed to use rate-aware network coding in order to exploit the previously downloaded popular files at the users’ devices. As such, the CBS offloading is maximized. However, the users’ achieved Quality of Service (QoS), and the standard F-RANs physical-layer resource optimization have not received any attention to date. This paper proposes use of an innovative cross-layer network coding (CLNC) to address the above-mentioned issues. The proposed CLNC scheme is not only aware of different users’ rates but also controls the rates by jointly optimizing coding combinations, users-eRRHs/power zones (PZs) assignments, and transmission power in the PZs. Using a graph theoretical representation, we formulate the joint cross-layer CBS offloading and QoS guarantee problem and show its NP-hardness. Joint and iterative heuristic approaches are then developed to solve this problem using greedy vertex search and coloring techniques. The proposed approaches are finally validated and tested against the existing algorithms in the literature.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».