Deep Reinforcement Learning-Based RAN Slicing for UL/DL Decoupled Cellular V2X
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
The emerging uplink (UL) and downlink (DL) decoupled radio access networks (RAN) has attracted a lot of attention due to the significant gains in network throughput, load balancing and energy consumption, etc. However, due to the diverse vehicular service requirements in different vehicle-to-everything (V2X) applications, how to provide customized cellular V2X services with diversified requirements in the UL/DL decoupled 5G and beyond cellular V2X networks is challenging. To this end, we investigate the feasibility of UL/DL decoupled RAN framework for cellular V2X communications, including the vehicle-to-infrastructure (V2I) communications and relay-assisted cellular vehicle-to-vehicle (RAC-V2V) communications. We propose a two-tier UL/DL decoupled RAN slicing approach. On the first tier, the deep reinforcement learning (DRL) soft actor-critic (SAC) algorithm is leveraged to allocate bandwidth to different base stations. On the second tier, we model the QoS metric of RAC-V2V communications as an absolute-value optimization problem and solve it by the alternative slicing ratio search (ASRS) algorithm with global convergence. The extensive numerical simulations demonstrate that the UL/DL decoupled access can significantly promote load balancing and reduce C-V2X transmit power. Meanwhile, the simulation results show that the proposed solution can significantly improve the network throughput while ensuring the different QoS requirements of cellular V2X.
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