QoS-Aware Joint Component Carrier Selection and Resource Allocation for Carrier Aggregation in 5G
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
Carrier Aggregation (CA) has been a breakthrough in LTE that led to increased throughput for users, and is still one of the key technologies in 5G that helps to enhance spectrum utilization. In CA, Component Carriers (CCs) are dynamically activated and deactivated depending on several performance factors. Optimal selection of CCs has been studied in the literature. However, the latency associated with activation and deactivation of CCs, control channel overhead for switching CCs, as well as the energy consumed for monitoring the active CCs have not been a part of the optimal CC selection problem. Nevertheless, those become stringent design constraints in practice. In this paper, we address optimal CC selection and resource allocation in 5G networks, where the above constraints are considered and the 5G network supports several service types with different 5G QoS Identifiers (5QI). The proposed optimum joint CC selection and Radio Resource Block (RB) allocation schemes maximize average throughput of users and satisfy QoS of users in terms of delay. In addition, the proposed schemes take CC activation and deactivation burden into consideration and aim to minimize the number of activations and deactivations. The simulation results demonstrate that our proposed solution outperforms the state of the art solution while satisfying the QoS requirements and creating close to 95.5% reduction on the number of CCs activations and deactivations.
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 | 0,000 | 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