Multi-Operator Spectrum Sharing for Massive IoT Coexisting in 5G/B5G Wireless 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
With a massive number of Internet-of-Things (IoT) devices connecting with the Internet via 5G or beyond 5G (B5G) wireless networks, how to support massive access for coexisting cellular users and IoT devices with quality-of-service (QoS) guarantees over limited radio spectrum is one of the main challenges. In this paper, we investigate the multi-operator dynamic spectrum sharing problem to support the coexistence of rate guaranteed cellular users and massive IoT devices. For the spectrum sharing among mobile network operators (MNOs), we introduce a wireless spectrum provider (WSP) to make spectrum trading with MNOs through the Stackelberg pricing game. This framework is inspired by the active radio access network (RAN) sharing architecture of 3GPP, which is regarded as a promising solution for MNOs to improve the resource utilization and reduce deployment and operation cost. For the coexistence of cellular users and IoT devices under each MNO, we propose the coexisting access rules to ensure their QoS and the priority of cellular users. In particular, we prove the uniqueness of the Stackelberg equilibrium (SE) solution, which can maximize the payoffs of MNOs and WSP simultaneously. Moreover, we propose an iterative algorithm for the Stackelberg pricing game, which is proved to achieve the unique SE solution. Extensive numerical simulations demonstrate that, the payoffs of WSP and MNOs are maximized and the SE solution can be reached. Meanwhile, the proposed multi-operator dynamic spectrum sharing algorithm can support more than almost 40% IoT devices compared with the existing no-sharing method, and the gap is less than about 10% compared with the exhaustive method.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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