Smart Dynamic Pricing and Cooperative Resource Management for Mobility-Aware and Multi-Tier Slice-Enabled 5G and Beyond Networks
Notice bibliographique
Résumé
In this paper, we propose a novel cooperative resource sharing technique in multi-tier edge slicing networks which is robust to imperfect channel state information (CSI) caused by user equipments’ (UEs) mobility. Due to the mobility of UEs, the dynamic requirements of their tasks, and the limited resources of the network, we propose a smart joint dynamic pricing and resources sharing (SJDPRS) scheme that can incentivize the infrastructure provider (InP) and mobile network operators (MNOs). Aiming to maximize the profits of UEs, MNOs and the InP under the task fulfillment constraints, we formulate an optimization problem by deploying the multi-objective optimization method where in addition to the resource allocation variables, the price values are also the optimization variables. To solve the problem, we adopt a new deep reinforcement learning (DRL) method based on a carefully designed reward function. The simulation results indicate that the proposed resource sharing scenario can increase total profits for the UEs, MNOs, and InP in comparison to non-cooperative case, while also providing almost complete fairness among the players. In particular, as compared to the baselines and benchmarks, the profits for each network component (MNO, InP, and UEs), under fairness considerations, are enhanced by 75%, 79%, and 76%, respectively.
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 | 0,001 | 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 | 0,001 | 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 ».