DQ-Based Random Access NOMA for Massive Critical IoT Scenarios in 5G Networks
Notice bibliographique
Résumé
Internet-of-Things (IoT) networks provide massive connectivity for many application scenarios. Recently, much work has been dedicated to develop spectrum access strategies for IoT networks with a massive number of nodes and sporadic data traffic behavior. The case becomes more challenging in critical applications when Ultra-Reliable Low-Latency (URLL) transmissions are required. Such networks entail spectrum-efficient transmission schemes in which Non-Orthogonal Multiple-Access (NOMA) is considered a key enabler. We proposed a Distributed Queuing (DQ) approach in NOMA for critical massive IoT (mIoT) applications. More specifically, we introduce a frame structure to support DQ-based NOMA so that dynamic NOMA clustering (at the nodes) and dynamic Successive Interference Cancellation (SIC) ordering at the Base Station (BS) are supported. We also use adaptive power back-off strategy to reduce power collisions by utilizing both nodes’ and clusters’ activation index. We investigate network performance metrics, such as reliability, delay violation probability, and effective sum rate. These metrics are derived analytically, and the effect of different network parameters such as blocklength, active node arrival rate, and the number of contention subslots on the network metrics are investigated and compared with the S-ALOHA-TD benchmark.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».