Quantifying Network Level Improvement due to Beamforming on the Performance of Large-Scale Dense Urban IoT Networks
Notice bibliographique
Résumé
There have been many papers that show the physical layer advantages of beamforming. However, to the best of our knowledge, none have dealt with the large-scale network level performance evaluation. While it is clear that beamforming brings a positive effect on network performance, that improvement has not been quantified. This is important given that, despite its advantages, large-scale beamforming deployment also implies additional CAPEX and OPEX costs for service providers. This paper presents a large-scale network layer simulation study that aims at quantifying some network layer Key Performance Indicators improvement achieved by the massive introduction of beamforming in the network. We first show how we adapted a simulation-efficient packet scheduling procedure to our large-scale PIoT simulator engine. Then, we perform extensive simulations on a real network of the city of Montréal with 30000 UEs (User Equipment) and 3019 antennas. Among many results it was found that, on average, more than 30 ms of waiting delay reduction can be achieved with beamforming. Also, for applications with very short packet inter arrival time, the total traffic serviced more than doubled. Simulation results also show that while the increase in the number of beams improves performance, there is also a saturation effect that can be perceived at the network level. It was also found that when the traffic arrival is Poisson, the benefits of beamforming are less striking, which suggests that the type of application traffic may have an influence in the beneficial impact of beamforming at the network level, opening the path for further investigation. Finally, given that the simulator front end is publicly available at http://piotsimulation.com , the paper also shows the potentiality for the community to perform what-if cross layer analysis in a real-sized urban network.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».