Multi-Objective Multi-Dimensional Resource Allocation for Categorized QoS Provisioning in Beyond 5G and 6G Radio Access Networks
Notice bibliographique
Résumé
To effectively meet the diverse Quality of Service (QoS) requirements from proliferating applications, a widely-adopted practical solution in radio access network (RAN) is categorized QoS provisioning, which utilizes virtual networks (i.e., tenants) to support a limited number of service categories. Apparently, one critical issue is RAN resource allocation among coexisting tenants. However, conventional single objective-based approaches cannot ensure fairness among different service categories. Moreover, except for radio resource, computing and storage resources also need to be considered. Besides, appropriate allocation of computing and storage resources could help mitigating backhaul network congestion. Hence, we aim to optimize the key QoS indicators of three main service categories and reduce backhaul bandwidth consumption simultaneously. We formulate the problem of multi-dimensional resource allocation from RAN to tenants as a multi-objective mixed-integer non-linear programming (MINLP) problem, which is challenging to solve directly due to the competing objectives and the mutual-influenced resources. For guaranteeing fairness, this problem is reformulated as a single-objective optimization problem using weighted sum approach. Moreover, a decoupling-based iterative optimization (DBIO) algorithm is proposed to decompose it into three subproblems to solve iteratively. Simulation results demonstrate that DBIO algorithm can achieve superior performance with much less time consumption, compared with three metaheuristic algorithms.
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 | 0,001 |
| Science ouverte | 0,001 | 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 ».