Practical Optimization and Game Theory for 6G Ultra-Dense Networks: Overview and Research Challenges
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
Ultra-dense networks (UDNs) have been employed to solve the pressing problems in relation to the increasing demand for higher coverage and capacity of the fifth generation (5G) wireless networks. The deployment of UDNs in a very large scale has been envisioned to break the fundamental deadlocks of beyond 5G or the sixth generation (6G) networks and deliver many more orders of magnitude gains that today’s technologies achieve. However, the mathematical tool to optimize the system performance under the stringent radio resource constraints is widely recognized to be a formidable challenge. System-level performance optimization of current UDNs are usually conducted by relying on numerical simulations, which are often time-consuming and have become extremely difficult in the context of 6G with extremely high density. As such, there is an urgent need for developing a realistic mathematical model for optimizing the 6G UDNs. In this paper, we introduce challenges as well as issues that have to be thoroughly considered while deploying UDNs in realistic environment. We revisit efficient mathematical techniques including game theory and real-time optimization in the context of optimizing UDNs performance. In addition, emerging technologies which are suitable to apply in UDNs are also discussed. Some of them have already been used in UDNs with high efficiency while the others which are still under investigation are expected to boost the performance of UDNs to achieve the requirements of 6G. Importantly, for the first time, we introduce the joint optimal approach between realtime optimization and game theory (ROG) which is an effective tool to solve the optimization problems of large-scale UDNs with low complexity. Then, we describe two approaches for using ROG in UDNs. Finally, some case study of ROG are given to illustrate how to apply ROG for solving the problems of different applications in UDNs.
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 | 0,001 | 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 | 0,001 |
| 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