Reconfigurable RAN Slicing for Ultra-Dense LEO Satellite Networks via DRL
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ultra-dense low earth orbit (LEO) satellite network (UD-LSN) is an emerging architecture in the sixth-generation communication system. Network slicing technology can build multiple virtual logical networks for services provided by UD-LSNs on the common physical network. The spatiotemporal variabilities of service requirements and available satellite resources make it necessary to perform reconfigurable resource slicing in UD-LSNs. In this paper, we present a reconfigurable radio access network (RAN) slicing architecture based on grouping and clustering in UD-LSNs. Time is separated into several slicing windows, each further separated into multiple time slots. We take into account the features of the rate-constrained and delay-constrained slices and formulate an optimization problem aiming at maximizing the long-term slicing revenue that involves resource utilization, the service level agreement satisfaction ratio (SSR), and reconfiguration revenues. The problem is tackled by a two-tier deep reinforcement learning (DRL)-based reconfigurable satellite RAN resource slicing and user access (TDRL-RSUA) algorithm. We decouple the original problem into the RAN resource slicing subproblem in slicing windows and user access subproblem at time slots. Specifically, the resource slicing subproblem is solved with the multi-discrete mask Proximal Policy Optimization (MDMPPO) algorithm, while the user access subproblem is solved with the many-to-one matching algorithm. Simulation results demonstrate that our TDRL-RSUA algorithm can improve resource utilization by more than 30% in comparison to the non-reconfigurable resource slicing strategy and achieves higher slicing revenue and SSR.
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.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle