Joint Beamforming and Clustering for Energy Efficient Multi-Cloud Radio Access Networks
Notice bibliographique
Résumé
The tremendous growth of data traffic in mobile communication networks (MCNs) and the associated exponential increase in mobile devices’ numbers necessitate the use of multi-cloud radio access networks (MC-RANs) as a viable solution to cope with the requirements of next-generation MCNs (6G). In MC-RANs, each central processor (CP) manages the signal processing of its own set of base stations (BSs), and so the system performance becomes a function of the joint intra-cloud and inter-cloud interference mitigation techniques. To this end, this paper considers the problem of maximizing the network-wide energy efficiency (EE) subject to user-to-cloud association, fronthaul capacity, maximum transmit power, and achievable rate constraints, so as to determine the joint beamforming vector of each user and the user-to-cloud association strategy. The paper tackles the non-convex and mixed discrete-continuous nature of the problem formulation using fractional programming (FP) and inner-convex approximation (ICA) techniques, as well as l<inf>0</inf>-norm relaxation heuristics, and shows how the proposed approach can be implemented in a distributed fashion via a reasonable amount of information exchange across the CPs. The paper simulations highlight the appreciable algorithmic efficiency of the proposed approach over state-of-the-art 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 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 | 0,001 | 0,001 |
| 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 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 ».