Dynamic access class barring and relay assisted radio resource allocation methods for cellular M2M networks
Notice bibliographique
Résumé
Cellular based M2M systems generate massive number of access requests which create congestion in the cellular network. The contention-based random access procedures are designed for cellular networks which cannot accommodate a large number of M2M traffic. Moreover, M2M systems share same radio resources with cellular users. Resource allocation problem becomes a challenging issue in cellular M2M systems. In this thesis, we address these two problems by analyzing a contention-based slotted Aloha random access procedure for M2M networks using different performance metrics. The impact of massive M2M traffic over cellular traffic is studied based on different arrival rate, random access opportunity and throughput. An analytical model of selecting a base station (eNB) along with load balancing is developed. Finally, two methods have been presented and evaluated with M2M traffic. First one is dynamic access class barring method which controls RAN level congestion by selecting an appropriate eNB and applying load balancing method. Second one is relay-assisted radio resource allocation method which maximizes the sum throughput of the system by utilizing the available radio resource blocks and relay nodes to the MTC systems. Numerical results show that frame transmission rate influences the selection probability of the base stations. Moreover, the dynamic access class barring parameter along with frame transmission rate improve the overall throughput and access success probability among base stations as well as avoid overload situation in a particular base station.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».