MétaCan
Menu
Retour à la cohorte
Enregistrement W4389610117 · doi:10.1109/tmc.2023.3341810

End-to-End Resource Slicing for Coexistence of eMBB and URLLC Services in 5G-Advanced/6G Networks

2023· article· en· W4389610117 sur OpenAlexaff
Shiva Kazemi Taskou, Mehdi Rasti, Ekram Hossain

Notice bibliographique

RevueIEEE Transactions on Mobile Computing · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueSoftware-Defined Networks and 5G
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesBusiness FinlandOulun YliopistoAcademy of Finland
Mots-clésComputer scienceC-RANResource allocationLatency (audio)Radio access networkOptimization problemComputer networkDistributed computingMathematical optimizationAlgorithmBase stationTelecommunicationsMathematics

Résumé

récupéré en direct d'OpenAlex

We study the problem of end-to-end (E2E) network slicing, i.e., joint slicing of the radio access network (RAN) and core network (CN), for the coexistence of enhanced mobile broadband (eMBB) and ultra-reliable and low latency communication (URLLC) services in future generation cellular (e.g., 5G-Advanced/6G) networks. The E2E resource slicing problem is defined as a mixed-integer non-linear programming problem to minimize the E2E energy consumption and the cost of utilized resources. To overcome the difficulty of solving this problem, we decompose it into two sub-problems, namely, RAN resource allocation (RRA) and CN resource allocation (CRA) problems. In both RRA and CRA problems, the existence of binary variables makes them intractable. To tackle this difficulty, we relax the binary variables by introducing penalty functions. Then, we make the RRA and CRA problems convex by employing the majorization-minimization approximation method. Via simulation results, we compare our proposed joint RAN and CN resource allocation algorithm (JRCRA) with the disjoint solution where RAN and CN resources are allocated to users separately. The joint allocation of resources in the RAN and CN has the advantage that the E2E tolerable latency of users can be flexibly divided between RAN and CN. In contrast, if resources in RAN and CN are allocated separately, a predefined part of the E2E tolerable latency should be considered as the tolerable latency in RAN and CN. The simulation results illustrate that our proposed JRCRA algorithm obtains a 34% improvement in energy consumption and a 24% improvement in cost compared to the disjoint one. Moreover, via simulation results, we illustrate that in comparison with existing algorithms, our proposed JRCRA obtains a higher performance. Besides, simulation results confirm that JRCRA reaches a close performance to the optimal solution.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,774
Score d'incertitude au seuil0,886

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,262
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Mobile ComputingMême sujetSoftware-Defined Networks and 5GTravaux en français237 207