Cross-Layer Cloud Offloading With Quality of Service Guarantees in Fog-RANs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle