An Optimum User Association Algorithm in Heterogeneous 5G Networks Using Standard Deviation of the Load
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
Fifth-generation (5G) wireless networks and beyond will be heterogeneous in nature, with a mixture of macro and micro radio cells. In this scenario where high power macro base stations (MBS) coexist with low power micro base stations (mBS), it is challenging to ensure optimal usage of radio resources to serve users with a multitude of quality of service (QoS) requirements. Typical signal to interference and noise ratio (SINR)-based user allocation protocols unfairly assign more users to the high power MBS, starving mBS. There have been many attempts in the literature to forcefully assign users to mBS with limited success. In this paper, we take a different approach using second order statistics of user data, which is a better indicator of traffic fluctuations. We propose a new algorithm for user association to the appropriate base station (BS) by utilizing the standard deviation of the overall network load. This is done through an exhaustive search of the best user equipment (UE)–BS combinations that provide a global minimum to the standard deviation. This would correspond to the optimum number of UEs assigned to every BS, either macro or micro. We have also derived new expressions for coverage probability and network energy efficiency for analytical performance evaluation. Simulation results prove the validity of our proposed methods to balance the network load, improve data rate, average energy efficiency, and coverage probability with superior performance compared with other algorithms.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle