Nonsmooth Optimization Algorithms for Multicast Beamforming in Content-Centric Fog Radio Access Networks
Notice bibliographique
Résumé
This paper considers a content-centric fog radio access network (F-RAN). Its multi-antenna remote radio heads (RRHs) are capable of caching and executing signal processing for content delivery to its users. The fronthaul traffic is thus saved since its baseband processing unit (BBU) needs to transfer only the cache-missed content items to the RRHs via limited-capacity fronthaul links. The problem of beamforming design maximizing the energy efficiency in content delivery subject to the quality-of-content-service constraints in terms of content throughput and fronthaul limited-capacity is addressed. Unlike the user's throughput in user-centric networks, the content throughput in content-centric networks is no longer a differentiable function of the beamforming vectors. The problem is inherently high-dimensional due to the involvement of many beamforming vectors even in simple cases of three RRHs serving three users. Path-following algorithms, which invoke a simple convex quadratic optimization problem to generate a better feasible point, are proposed for computation of this nonsmooth and high-dimensional optimization problem. We also employ generalized zero-forcing beamforming, which forces the multi-content interference to zero or nearly to zero to reduce the problem dimensionality for computational efficiency. Numerical results are provided to demonstrate their computational effectiveness. They also reveal that when the fronthaul traffic becomes more flexible, hard-transfer fronthauling is more energy efficient than soft-transfer fronthauling.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».