Notice bibliographique
Résumé
Device-to-Device (D2D) communication underlying cellular networks was first introduced in the 3GPP Rel. 12 specifications, and was initially referred to as proximity services (ProSe). Its primary aim was to serve billions of Internet of Things (IoT) devices for 5G and beyond-5G networks. To enable D2D link establishment between various user equipments (UEs), the neighbor discovery process became crucial. This article investigates neighbor discovery for ProSe and Vehicle-to-Everything (V2X) communications through a SideLink interface, which is specifically introduced to support D2D communications over cellular networks. A single-user scenario is first considered to derive the probability of discovery in its closed-form and compare it with simulation results to validate its theoretical analysis. This scenario employs the demodulation reference signal (DMRS), where a power-normalized-correlation (PNC)-based metric is performed to determine the presence of active peers in the vicinity. Moreover, a multiuser scenario is considered to assess the impact of interference on the discovery probability in the cases of low and high vehicular mobility channel models. Then, group discovery is investigated using two strategies: 1) a distributed scheme incorporating out-of-coverage communications (modes 2 and 4) or 2) a network-assisted scheme applicable for supervised communications (modes 1 and 3). In this study, discovery periods are modeled as an Aloha-like protocol in the first case and a Polling-like protocol in the second case with either MAC layer or PHY layer collision models. Simulations are performed to evaluate the time required for group discovery completion as well as the collision rate in both low-mobility and high-mobility channels.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».