Hybrid Radio Resource Management for Time-Varying 5G Heterogeneous Wireless Access Network
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
In this paper, we explore radio resource management for a time-varying 5G heterogeneous wireless access network that includes multi-RATs such as 5G new radio (NR) and long-term evolution (LTE). To cope with the practical challenges of a centralized approach such as signalling overhead and computational complexity, we decomposed the process of radio resource management into three parts, 1) RAT selection, 2) optimal radio resource allocation, and 3) congestion control. RAT selection is performed by each user device with network assistance, whereas the problem of radio resource allocation and congestion control is formulated as a stochastic optimization problem. Maintaining network stability, the average throughput utility is maximized subject to admission control and resource allocation. By using Lyapunov optimization, this utility maximization problem is decomposed into two subproblems. Radio resource allocation policy implemented at the central controller node allocates resources at each time slot using the Lagrange dual method, whereas the process of congestion control is carried out at user end based on throughput adaptation according to its current channel conditions. The theoretical and simulation results evaluate the performance of our proposed approach under the assumption of network stability. Simulation results related to individual users throughput and queue length, and performance comparison of equal power and adaptive power allocation techniques, are presented to depict the effectiveness of our proposed scheme. Furthermore, our proposed RAT selection scheme performs better than the traditional centralized and distributive mechanisms.
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 | 0,001 | 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