Opportunistic Mobile Crowdsensing for Interference Overhead Reduction and Throughput Maximization
Notice bibliographique
Résumé
Accurate onsite interference information acquisition is essential for the successful deployment of a millimetre wave (mmWave) empowered 5G Small Cell (SC) networks, given the sensitivity of signal quality to interference caused by the significant attenuation of high-frequency signals. Opportunistic mobile crowdsensing (OCS) arises as a cost-effective technology for onsite interference sensing, which schedules communication opportunities of mobile devices to perform sensing tasks. However, conventional OCS methods follow a routine schedule for updating interference levels for each user at fixed time intervals. This approach leads to unnecessary sensing overhead and degrades system performance. In this study, we utilize the interference spatial correlation to reduce the sensing frequency and devise a novel low-overhead situation-dependent OCS scheme in the indoor location-aware SC communication system. Specifically, we schedule a subset of users to perform interference sensing and leverage interference spatial correlation to predict the interference conditions of adjacent users, thus reducing the sensing overhead. Then, we jointly optimize the OCS sensing scheduling and communication time allocation to maximize the throughput of all users. Considering the non-convex challenge presented in the formulated problem, the sequential convex approximation (SCA) and block coordinate descent (BCD) methods are proposed to solve this problem efficiently. Through extensive simulation analysis, our novel low-complexity algorithm demonstrates superior performance compared to other baseline methods.
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 | 0,000 |
| 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 ».