AI-Enabled Radio Resource Allocation in 5G for URLLC and eMBB Users
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 10-4percentile 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.
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) | 0,000 | 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 | 0,001 | 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 ».