MétaCan
Menu
Retour à la cohorte
Enregistrement W3199707837 · doi:10.1109/tcomm.2021.3111609

Group-Based Random Access and Data Transmission Scheme for Massive MTC Networks

2021· article· en· W3199707837 sur OpenAlexaff
Tao Wang, Yichen Wang, Chunfeng Wang, Zihuan Yang, Julian Cheng

Notice bibliographique

RevueIEEE Transactions on Communications · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueIoT Networks and Protocols
Établissements canadiensUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesNational Key Research and Development Program of ChinaNational Natural Science Foundation of China
Mots-clésComputer scienceQueueRandom accessMarkov chainPartition (number theory)Computer networkDistributed computingAlgorithmMathematical optimizationMathematics

Résumé

récupéré en direct d'OpenAlex

Massive machine-type communications (mMTC) is one of the three generic services for the fifth-generation (5G) wireless communications system. To utilize fully the high rate transmission feature of the 5G system to support massive MTC devices (MTCDs), we propose a group-based random access and data transmission scheme, where the data packets of MTCDs are first aggregated by the MTC gateways (MTCGs) and then forwarded to the base station. The access process of the MTC network is divided into two phases, namely the intra-group transmission phase and MTCG forwarding phase. The entire resources are also partitioned for the two phases. We employ the discrete-time nonhomogenous Markov model to characterize the joint queue-length evolution of multiple MTCGs, which cannot be analyzed directly due to the exponential complexity and time-nonhomogeneity. To facilitate the analysis, we approximately decompose the joint nonhomogenous queue-length evolution process into multiple independent nonhomogenous queue-length evolution processes with the same state transition probabilities. Then, we establish an equivalent single queue-length evolution based homogenous Markov chain by constructing a virtual queue and determine the corresponding stationary distribution by using the Gauss-Jordan elimination method. An optimization problem is formulated to maximize the average network throughput subject to the constraints on the resource partition for the two phases and the MTCG forwarding threshold. By developing a modified differential evolution algorithm, we provide an efficient solution to the formulated problem, which can be arbitrarily close to the optimal solution. Simulation results show that the proposed scheme can efficiently improve the network performance over the existing schemes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,339
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on CommunicationsMême sujetIoT Networks and ProtocolsTravaux en français237 207