Drone-Small-Cell-Assisted Resource Slicing for 5G Uplink Radio Access Networks
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
Radio resource slicing is critical to customize service provisioning in fifth-generation (5G) uplink radio access networks (RANs). Using drone-small-cells (DSCs) as aerial support for terrestrial base stations can enhance the flexibility for resource provisioning in response to traffic distribution variations. In this paper, we study a multi-DSC-assisted radio resource slicing problem for 5G uplink RANs, with the objective of minimizing the total uplink resource consumption under differentiated quality-of-service (QoS) constraints for both human-type and machine-type communication services. We begin with an interference-aware graph model to formulate the joint DSC three-dimension (3D) placement and device-DSC association problem for uplink radio resource slicing and prove that the proposed problem is NP-hard. A complexity-adjustable problem approximation is presented via screening candidate DSC deployment positions, which incorporates flight height adaptation to balance the uplink communication coverage and resource utilization. A lightweight approximation using a fixed DSC flight altitude is also provided with reduced complexity. For mathematical traceability, the DSC placement and device-DSC associations in each approximation are transformed as a special weight clique problem. An upgraded clique algorithm is then developed to determine how to deploy DSCs for a given number of DSCs. Simulation results demonstrate the proposed scheme's effectiveness in terms of resource utilization, network coverage, and drone dispatching cost.
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 | 0,001 |
| 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