On Evaluating Independent Set Heuristics for Wireless Backhaul Network Capacity of 5G Ultra-Dense Networks
Notice bibliographique
Résumé
Tremendous amount of data traffic generation is anticipated through upcoming applications, such as augmented reality, virtual reality, and tactile internet. On the other hand, 5G is promising record-breaking data rates. An Ultra-Dense Network (UDN) is envisaged as a key component of 5G, where small cells operating at millimeter-wave frequencies will be deployed in hotspots to cope with extreme traffic generation. A wired backhaul is infeasible in these ultra-dense scenarios as it will not be possible to connect each small cell to the core over fiber or digital subscriber line. A viable alternative will be a wireless backhaul. There is a direct relationship between the backhaul network capacity of the wireless backhaul and the average number of simultaneous transmissions in the wireless backhaul in an UDN. The problem of finding the average number of simultaneous transmissions is similar to the minimum coloring problem, which is NP-Hard. In this paper, we adapt three different heuristic algorithms for solving this problem and we compare their performance in terms of the backhaul network capacity. From the results of our Monte Carlo simulations, it is clear that the heuristic we call Maximum Node-Degree Start outperforms other heuristics. It provides an improvement of up to 3.58% and 4.97% in the backhaul network capacity compared to Random Start heuristic and Minimum Node-Degree Start heuristic, respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».