A Survey on Beyond 5G Network Slicing for Smart Cities Applications
Notice bibliographique
Résumé
Beyond fifth generation (B5G) is expected to tremendously improve network capabilities by using a higher frequency band compared to 5G, capable of delivering higher network capacity with much lower latency. It is expected that there will be around 30 billion connected objects by 2030, approximately 3.5 times the population then which underscores the pressing need for advanced network capabilities to support diverse applications ranging from smart transportation and energy management to healthcare and public safety. Network slicing enables sharing of network resources by transforming the physical network into logically independent networks, each specifically tailored to meet the requirements of heterogeneous services (e.g., Internet of Things applications, gaming services, holographic communication). Each slice is an end-to-end logical network comprising network, compute, and storage resources. Softwarization and virtualization are the main drivers for innovation in B5G, enabling network developers and operators to develop network-aware applications to match customer demands. Smart cities vertical offers unique service characteristics, performance requirements, and technical challenges in B5G network slicing. Therefore, this paper provides a comprehensive survey on B5G network slicing use cases, synergies, practical implementations and applications based on their quality of service parameters for smart cities applications. The paper gives a detailed taxonomy of the B5G network slicing framework requirements, design, dynamic intra-slice and inter-slice resource allocation techniques, management and orchestration, artificial intelligence/machine learning-empowered network slicing designs, implementation testbeds, 3GPP specifications and projects/standards for B5G network slicing. Furthermore, the paper provides a thorough discussion on the technical challenges that can arise when implementing B5G network slicing for smart cities applications and offers potential solutions. Finally, the paper discusses B5G network slicing current and future research directions for smart cities applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».