Physical Layer Service Fairness of 200-Gbps TDM-NOMA Coherent Passive Optical Networks Within Single Timeslot
Notice bibliographique
Résumé
As coverage increases or network topology becomes more complex, the optical path loss difference between any two access points in tree-like passive optical networks (PON) is uneven, causing service fairness problems at the physical layer. The service fairness of the far-near user access in 200-Gbps coherent PON with various user cases is discussed in this work. A fairness allocation mechanism based on time division multiplexing (TDM) non-orthogonal multiple access (NOMA) in the time-power domain is proposed theoretically to provide fair transmission between the arbitrary two optical network units (ONUs) with the best and the worst performance within single timeslots. Then, a series of subsequent experiments are performed with different path loss and split ratios (SR) to prove the effectiveness and practicality of the proposed NOMA scheme, totally including 12 subcases. Any sub-experiment proves that by optimizing power allocation, the signal-to-interference noise ratio (SINR) or bit-error rate (BER) on the physical layer can be approximated to the same value. The Jain's fairness index at a fixed and flexible hard-decision forward error correction (HD-FEC) standard, and modified fairness index are used to evaluate service fairness in different cases. This TDM-NOMA scheme may address the service fairness issue in next-generation coherent PON with wide coverage.
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) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».