Federated Power Control for Predictive QoS in 5G and Beyond: A Proof of Concept for URLLC
Notice bibliographique
Résumé
The fifth-generation (5G) mobile standard has been designed to support new use cases such as ultra-reliable and low-latency communication (URLLC). The future 6G is envisioned to support extreme URLLC with higher QoS requirements (e.g., remote surgery, autonomous driving, etc.). URLLC applications need higher QoS that require more power allocations. Consequently, QoS variance will increases, which is intolerable for URLLC. An important amount of energy can be saved through a power control scheme. In this work, we are interested in energy-aware self-organizing networks that provide satisfactory performance for URLLC. We propose a predictive QoS paradigm to enhance satisfaction and reduce power consumption under URLLC’s constraints. A predictive QoS is an intelligent paradigm that allows Mobile/IoT-device to adjust power allocation to the minimum required to achieve the target QoS. First, we model power control as a satisfactory game, where IoT-devices aim to meet their target demands instead of maximizing them. Next, we introduce a distributed satisfactory learning scheme, called Robust Banach-Picard (RBP), to allow devices to self-adjust their power allocation to maintain reliability and latency within the tolerated range of the URLLC application. The algorithm implements deep learning and a derivative concept of federated learning to account for channel variability in power control. Extensive simulations exhibit the advantages and drawbacks of the proposed scheme for URLLC applications. Results show that RBP can maintain instantaneous reliability and latency within the tolerated request at the minimum energy costs. Consequently, RBP can be safe to use for URLLC use cases compared to conventional Banach-Picard iterates.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».