Self-Organized Scheduling Request for Uplink 5G Networks: A D2D\n Clustering Approach
Notice bibliographique
Résumé
In one of the several manifestations, the future cellular networks are\nrequired to accommodate a massive number of devices; several orders of\nmagnitude compared to today's networks. At the same time, the future cellular\nnetworks will have to fulfill stringent latency constraints. To that end, one\nproblem that is posed as a potential showstopper is extreme congestion for\nrequesting uplink scheduling over the physical random access channel (PRACH).\nIndeed, such congestion drags along scheduling delay problems. In this paper,\nthe use of self-organized device-to-device (D2D) clustering is advocated for\nmitigating PRACH congestion. To this end, the paper proposes two D2D clustering\nschemes, namely; Random-Based Clustering (RBC) and Channel-Gain-Based\nClustering (CGBC). Accordingly, this paper sheds light on random access within\nthe proposed D2D clustering schemes and presents a case study based on a\nstochastic geometry framework. For the sake of objective evaluation, the D2D\nclustering is benchmarked by the conventional scheduling request procedure.\nAccordingly, the paper offers insights into useful scenarios that minimize the\nscheduling delay for each clustering scheme. Finally, the paper discusses the\nimplementation algorithm and some potential implementation issues and remedies.\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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».