AI-Enabled Radio Resource Allocation in 5G for URLLC and eMBB Users
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
The fifth generation (5G) network is expected to accommodate heterogeneous traffic with diverse QoS demands. In this paper, we address the coexistence of Ultra-Reliable Low-Latency communications (URLLC) and enhanced Mobile Broad-Band (eMBB) users in 5G networks. We propose an AI-enabled approach that uses a reinforcement learning-based algorithm to balance the Key Performance Indicators (KPIs) of both URLLC and eMBB users. The proposed algorithm aims to jointly optimize both latency and reliability of URLLC users as well as the throughput of eMBB users. To achieve this, the algorithm utilizes the flexibility of the time-frequency grid of 5G standard to jointly perform power and resource block allocations to users. We compare our results with two baseline algorithms; a priority-based proportional fairness algorithm with fixed power allocation (PPF) that gives priority to URLLC users and a Q-learning algorithm (LR-Q) that performs joint power and resource allocation with the objective of improving reliability and latency performance of URLLC users only. Our results show that the proposed algorithm outperforms LR-Q by 29% increase and PPF by 21 times increase in throughput. Meanwhile, less than 0.5 ms degradation in URLLC's latency at the 10 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">-4</sup> percentile is observed, compared to both LR-Q and PPF.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 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 découle