A Hierarchical Green Mean-Field Power Control with eMBB-mMTC Coexistence in Ultradense 5G (Invited Paper)
Notice bibliographique
Résumé
Smal1 cell densification is recognized as one of the most significant characteristics in the fifth-generation of communication systems (5G) and beyond. A substantial capacity boost can be achieved at a low cost by supplementing macro networks with numerous small cells to create ultra-dense heterogeneous networks, which can serve as the foundation for the next generation of services. In this paper, we investigate a model that accounts for the location and channel quality of an enhanced Mobile Broadband (eMBB) user as well as the locations, density, and energy levels of a large number of Internet of Things (IoT) devices. More specifically, the eMBB user is randomly distributed in the coverage area of the MBS, and given its channel gain, it adjusts its transmit power to achieve an acceptable Quality of Service (QoS). In contrast, the IoT devices are gathered around SBS and regulate their transmission power in accordance with their energy budget to minimize energy-efficient utility function. Due to the coupling, the Stackelberg-Nash differential game is initially used to model the power allocation problem, with the eMBB user playing the role of the leader and the IoT devices playing the role of the followers. Then, we use the mean-field approximation to construct a hierarchical mean-field game from which we can recover a set of equations that may be solved iteratively to provide the optimal power allocation strategies. Simulation results illustrate the optimal power allocation strategies and show the effectiveness of the proposed approach.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 ».