LTE-U WiFi HetNets: Enabling Spectrum Sharing for 5G/Beyond 5G Systems
Notice bibliographique
Résumé
Traffic growth is anticipated to be 1000 times in future fifth generation (5G) networks, which necessitates dense deployment of small cells in a heterogeneous environment. Currently, heterogeneous networks (HetNets) are being considered as the most promising solution to improve coverage and capacity in both outdoor and indoor environments. However, to reap the benefits of HetNets, efficient spectrum sharing techniques are inevitable due to the scarcity of spectral resources. Traditionally, WiFi (2.4/5.0 GHz unlicensed spectrum) has been used to offload macrocells employing licensed bands in cellular networks. However, with the advent of Long Term Evolution in the unlicensed spectrum (LTE-U), offloading cellular networks has been more efficient. In this article, we describe LTE-U WiFi HetNet architecture along with deployment scenarios in detail. We outline the technical challenges that hinder the effective utilization of unlicensed bands in LTE-U WiFi HetNets. The primary challenge is to design an efficient spectrum sharing mechanism for the coexistence of different radio access technologies (i.e., LTE-U and WiFi). Continuous interference from LTE-U to WiFi results in starved WiFi users. We discuss potential solutions to this problem, and present a case study for a joint user association and power allocation method for LTE-U WiFi HetNets with the objective to maximize the sum rate.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».