Fairness Oriented H-NOMA Devices Association and Pairing in HCN Slicing Using Cooperation Games
Notice bibliographique
Résumé
Device association (DA) and pairing (DP) are presented in this letter to evaluate the fairness of different services between enhanced mobile broadband devices (eMBBDs) and ultra-reliability low latency communications devices (uRLLCDs) in RAN-slicing, which has emerged as a viable technique for enhancing total network throughput in heterogeneous cellular networks (HCNs) design. To optimize the eMBBDs' downlink (DL) sum rate while fulfilling the provisions of the uRLLC traffic. A cooperative Nash bargaining solution (NBS) is formulated to depict the association method. First, base stations (BSs) create random pairings between heterogeneous non-orthogonal multi-access (H-NOMA) devices. The BSs are classified into coalitions through the Hungarian approach. So, a two-band partition algorithm is evolved for the two BSs in each coalition to negotiate their allocated devices to improve the NBS utility. A multiplayer bargaining approach is constructed using this algorithm and the Hungarian technique. After finishing the DA process, we study the cooperative matching algorithm to optimize the pairing problem between devices' slices. Simulation results demonstrate that comparing the proposed approach to other schemes can achieve a significant DL rate distribution for eMBBDs, device-side latency for uRLLCDs, and fairness improvements.
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 | 0,003 | 0,004 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».