Scheduling for VoLTE: Resource Allocation Optimization and\n Low-Complexity Algorithms
Notice bibliographique
Résumé
We consider scheduling and resource allocation in long-term evolution (LTE)\nnetworks across voice over LTE (VoLTE) and best-effort data users. The\ndifference between these two is that VoLTE users get scheduling priority to\nreceive their required quality of service. As we show, strict priority causes\ndata services to suffer. We propose new scheduling and resource allocation\nalgorithms to maximize the sum- or proportional fair (PF) throughout amongst\ndata users while meeting VoLTE demands. Essentially, we use VoLTE as an example\napplication with both a guaranteed bit-rate and strict application-specific\nrequirements. We first formulate and solve the frame-level optimization problem\nfor throughput maximization; however, this leads to an integer problem coupled\nacross the LTE transmission time intervals (TTIs). We then propose a TTI-level\nproblem to decouple scheduling across TTIs. Finally, we propose a heuristic,\nwith extremely low complexity. The formulations illustrate the detail required\nto realize resource allocation in an implemented standard. Numerical results\nshow that the performance of the TTI-level scheme is very close to that of the\nframe-level upper bound. Similarly, the heuristic scheme works well compared to\nTTI-level optimization and a baseline scheduling algorithm. Finally, we show\nthat our PF optimization retains the high fairness index characterizing\nPF-scheduling.\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 | 0,004 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».