MétaCan
Menu
Retour à la cohorte
Enregistrement W4293102003 · doi:10.4108/eetmca.v7i2.2415

Intelligent Distributed Data Storage for Wireless Communications in B5G Networks

2022· article· en· W4293102003 sur OpenAlexaff
Yajuan Tang, Shiwei Lai, Yanyi Rao, Wen Zhou, Fusheng Zhu, Liming Chen, Dan Deng, Jing Wang, Tao Cui, Yuwei Zhang, Jun Liu, Di Wu, Zhusong Liu, Huang Huang, Xuan Zhou, Zhao Wang, Zichao Zhao, Chao Li, Kai Chen, Wei Zhou, Yun Li, Kaimeno Dube, Abbarbas Muazu, Nakilavai Rono, Sunli Feng, Jiayin Qin, Haige Xiang, Zhigang Cao, Lieguang Zeng, Zhixing Yang

Notice bibliographique

RevueICST Transactions on Mobile Communications and Applications · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueIoT and Edge/Fog Computing
Établissements canadiensHuawei Technologies (Canada)
Organismes subventionnairesNational Natural Science Foundation of China-China Academy of General Technology Joint Fund for Basic Research
Mots-clésComputer scienceOverhead (engineering)Distributed computingEnhanced Data Rates for GSM EvolutionComputer networkDistributed data storeComputer data storageEdge computingWirelessWireless networkTelecommunicationsComputer hardwareOperating system

Résumé

récupéré en direct d'OpenAlex

With the deployment and commercialization of the fifth-generation (5G) mobile communication network, the access nodes and data volume of wireless network show a massive and blowout growth trend. Taking beyond 5G (B5G) edge intelligent network as the research object, based on the deep integration of storage / computing and communication, this paper focuses on the theory and key technology of system intelligent transmission, so as to effectively support the related applications of B5G edge intelligent network in the future. This paper analyzes the research status of data storage, studies the real field distributed storage computing system, and designs the corresponding flashback shift code and error correction scheme with low storage space overhead.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,061
Tête enseignante GPT0,316
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueICST Transactions on Mobile Communications and ApplicationsMême sujetIoT and Edge/Fog ComputingTravaux en français237 207