Embedded CR Assisted NOMA for IoT Resource Allocation: A Case Study of Vehicle Networks
Notice bibliographique
Résumé
As an extension of the Internet of things (IoT), Internet of vehicles (IoV) paradigm plays a crucial role in advancing the development of smart cities. IoV relies on vehicular communication, enabling real-time interactions between vehicles, roadside infrastructure, and pedestrians. The main goal of IoV is not only to enhance road safety services but also to support time-sensitive IoT applications. In this context, cellular vehicle-to-everything (C-V2X) communication emerges as a prominent technology for achieving IoV goals. However, C-V2X communication system faces great challenges due to spectrum scarcity and the requirement for low-latency communication in high mobility and dynamic channel conditions. To meet these challenges, cognitive radio (CR)-inspired nonorthogonal multiple access (NOMA) has emerged as a promising solution to enhance the system capacity and spectrum efficiency. In this paper, we propose a novel CR paradigm, which utilizes the spectrum holes in an embedded mode. Namely, the secondary users (SUs) are allowed to access the holes released by idle primary users (PUs) without degrading the performance of active PUs. In addition, considering the channel aging phenomenon, we perform channel prediction to reduce the performance degradation. An online learning-based scheme that enables real-time resource allocation within the embedded CR assisted NOMA framework is then designed. Simulation results demonstrate superior performance gain of the proposed scheme. When compared with the conventional NOMA, the assistance of CR brings around threefold capacity gain, and when compared with the random allocation scheme, the capacity is increased by 21%.
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 | 0,000 |
| 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 ».