Resource Scheduling for eMBB and URLLC Multiplexing in NOMA-Based VANETs: A Dual Time-Scale Approach
Notice bibliographique
Résumé
Enhanced mobile broadband (eMBB) and ultra-reliable low-latency communication (URLLC) are two critical services in vehicular networks. However, the presence of both services creates a difficult resource allocation problem due to their heterogeneous requirements. To address the challenge of simultaneously providing eMBB and URLLC services in vehicular networks, we propose a resource allocation approach that maximizes eMBB rate while ensuring that both URLLC latency and reliability requirements are satisfied. Our approach utilizes non-orthogonal multiple access (NOMA) technology, where the resource for eMBB services is allocated by slot and the traffic of URLLC service is accommodated using mini-slots. To solve this dual time-scale problem, we employ a dual decomposition and sub-gradient method to solve the power allocation and resource block assignment of eMBB services, while the Vogel's approximation method (VAM) and modified distribution method (MODI) are proposed to solve the URLLC resource allocation problem. Additionally, we present two low-complexity heuristic algorithms for the URLLC sub-problem. Simulation results indicate that our proposed approach surpasses baseline methods in terms of both eMBB rate and fairness.
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 | 0,001 | 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 ».