Delay-Oriented Caching Strategies in D2D Mobile 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
Caching-enabled device-to-device (D2D) networks have the potential to make mobile users directly fetch requested files from nearby users, resulting in low network delay. In addition, user mobility can increase the communication chances among different users, and therefore, the network delay can be further effectively reduced by proper designing the caching strategy. In this paper, mobility-aware caching strategies in D2D networks are studied to minimize the network delay. Specifically, based on the inter-contact user mobility model, the expression of the average file delivery delay is analytically obtained. Considering the limited cache capacity, a delay minimization cache placement problem considering the user mobility is investigated. To optimally solve this nonlinear integer programming problem, we reformulate it as a multistage decision problem. According to the recursive relationship between adjacent stages, dynamic programming is adopted to obtain the optimal mobility-aware caching strategy stage-by-stage. Furthermore, to lower the complexity, we also demonstrate that the original problem can be recasted as a monotone submodular function maximization problem over a matroid constraint. Then, a low-complexity greedy mobility-aware caching strategy with (1-1/e)-optimality performance guarantee is put forward. Numerical results show that, in the scenario with high user mobility, the file delivery delay can be reduced by 47% with our proposed mobility-aware caching strategy, as compared with the most popular caching. Furthermore, the superiority of the proposed caching strategy is verified by real-world data set.
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 | 0,001 |
| 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