Optimized Base-Station Cache Allocation for Cloud Radio Access Network With Multicast Backhaul
Notice bibliographique
Résumé
The performance of cloud radio access network (C-RAN) is limited by the finite capacities of the backhaul links connecting the centralized processor (CP) with the base-stations (BSs), especially when the backhaul is implemented in a wireless medium. This paper proposes the use of wireless multicast together with BS caching, where the BSs pre-store the contents of popular files, to augment the backhaul of C-RAN. For a downlink C-RAN consisting of a single cluster of BSs and wireless backhaul, this paper studies the optimal cache size allocation strategy among the BSs and the optimal multicast beamforming transmission strategy at the CP such that the user's requested messages are delivered from the CP to the BSs in the most efficient way. We first state a multicast backhaul rate expression based on a joint cache-channel coding scheme, which implies that larger cache sizes should be allocated to the BSs with weaker channels. We then formulate a two-timescale joint cache size allocation and beamforming design problem, where the cache is optimized offline based on the long-term channel statistical information, while the beamformer is designed during the file delivery phase based on the instantaneous channel state information. By leveraging the sample approximation method and the alternating direction method of multipliers, we develop efficient algorithms for optimizing the cache size allocation among the BSs, and quantify how much more caches should be allocated to the weaker BSs. We further consider the case with multiple files having different popularities and show that it is in general not optimal to entirely cache the most popular files first. Numerical results show considerable performance improvement of the optimized cache size allocation scheme over the uniform allocation and other heuristic schemes.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».