Edge computing and power control in NOMA‐enabled cognitive radio networks
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
Abstract Due to the limited computation resources of mobile devices in cognitive radio networks, the secondary users in the network can suffer from long executing time, which is not acceptable for latency‐sensitive and computation‐intensive tasks. To tackle this issue, this paper proposes to reduce the task computing latency for secondary networks by offloading the tasks to edge servers through leveraging mobile edge computing (MEC) that is emerging as a promising technology to augment the computation capacity of mobile devices. Specifically, under the conditions that the interference caused by secondary users is tolerable to primary user and within the available computation resources of the MEC server, the primary user and secondary users both can offload tasks to the MEC server through nonorthogonal multiple access. Thus, we jointly formulate the offloading decision and power control as an optimization problem, aiming at minimizing the overall computing latency for secondary networks. To overcome the computational complexity caused by the nonconvexity of the original problem, we transform the original problem to a solvable problem and decouple the transformed problem into the separate offloading decision and power control. An iterative algorithm is proposed based on block coordinate decent method to achieve the near‐optimal solution. Simulation results show that under the same parameters, such as the number of primary users, maximum transmit power, computational capability of the MEC server and the computational capability of the secondary users, the proposed NOMA‐enabled computation offloading scheme can effectively reduce the overall computing latency for the secondary network and improve the percentage of offloading secondary users than those of OMA‐enabled.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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