Resource Slicing for eMBB and URLLC Services in Radio Access Network Using Hierarchical Deep Learning
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
Network slicing is a promising technique for wireless service providers to support enhanced mobile broadband (eMBB) and ultra-reliable low-latency communication (URLLC) services in a shared radio access network (RAN) infrastructure. In this paper, we apply numerology, mini-slot based transmission, and punctured scheduling techniques to support eMBB and URLLC network slices. For efficient allocation of radio resources (e.g., physical resource blocks, transmit power) to the users, we formulate RAN slicing problem as a multi-timescale problem. To solve this problem and address the dynamics of the traffic, we propose a hierarchical deep learning framework. Specifically, in each long time slot, the service provider employs a deep reinforcement learning (DRL) algorithm to determine the slice configuration parameters. The eMBB and URLLC schedulers use their own attention-based deep neural network (DNN) algorithm to allocate radio resources to their corresponding users in each short and mini time slot, respectively. Simulation results show that the proposed framework can achieve a higher aggregate throughput and a higher service level agreement (SLA) satisfaction ratio compared to some other RAN slicing approaches, including the resource proportional placement algorithm, decomposition and relaxation based resource allocation algorithm, and distributed bandwidth optimization algorithm.
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 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle