Completion Time Minimization in Fog-RANs using D2D Communications and\n Rate-Aware Network Coding
Notice bibliographique
Résumé
The device-to-device communication-aided fog radio access network, referred\nto as \\textit{D2D-aided F-RAN}, takes advantage of caching at enhanced remote\nradio heads (eRRHs) and D2D proximity for improved system performance. For\nD2D-aided F-RAN, we develop a framework that exploits the cached contents at\neRRHs, their transmission rates/powers, and previously received contents by\ndifferent users to deliver the requesting contents to users with a minimum\ncompletion time. Given the intractability of the completion time minimization\nproblem, we formulate it at each transmission by approximating the completion\ntime and decoupling it into two subproblems. In the first subproblem, we\nminimize the possible completion time in eRRH downlink transmissions, while in\nthe second subproblem, we maximize the number of users to be scheduled on D2D\nlinks. We design two theoretical graphs, namely \\textit{interference-aware\ninstantly decodable network coding (IA-IDNC)} and \\textit{D2D conflict} graphs\nto reformulate two subproblems as maximum weight clique and maximum independent\nset problems, respectively. Using these graphs, we heuristically develop joint\nand coordinated scheduling approaches. Through extensive simulation results, we\ndemonstrate the effectiveness of the proposed schemes against existing baseline\nschemes. Simulation results show that the proposed two approaches achieve a\nconsiderable performance gain in terms of the completion time minimization.\n
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».