Mobility-Aware Modeling and Analysis of Dense Cellular Networks with\n C-plane/U-plane Split Architecture
Notice bibliographique
Résumé
The unrelenting increase in the population of mobile users and their traffic\ndemands drive cellular network operators to densify their network\ninfrastructure. Network densification shrinks the footprint of base stations\n(BSs) and reduces the number of users associated with each BS, leading to an\nimproved spatial frequency reuse and spectral efficiency, and thus, higher\nnetwork capacity. However, the densification gain come at the expense of higher\nhandover rates and network control overhead. Hence, users mobility can diminish\nor even nullifies the foreseen densification gain. In this context, splitting\nthe control plane (C-plane) and user plane (U-plane) is proposed as a potential\nsolution to harvest densification gain with reduced cost in terms of handover\nrate and network control overhead. In this article, we use stochastic geometry\nto develop a tractable mobility-aware model for a two-tier downlink cellular\nnetwork with ultra-dense small cells and C-plane/U-plane split architecture.\nThe developed model is then used to quantify the effect of mobility on the\nforeseen densification gain with and without C-plane/U-plane split. To this\nend, we shed light on the handover problem in dense cellular environments, show\nscenarios where the network fails to support certain mobility profiles, and\nobtain network design insights.\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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».