5G Open RAN-Based Network Slicing for Connecting Ground-Based and Flying Cars Serving Urban Areas
Notice bibliographique
Résumé
Recently, companies have increasingly developed new technologies for urban air mobility using flying cars to alleviate road congestion. Unfortunately, the seamless integration of flying cars with their ground-based counterparts in the 5G network, where ground-based cars can support flying cars in proving transit functions, has not yet been fully investigated. Flying and ground-based cars require various services, such as autonomous driving/plot, path planning, and remote di-agnosis. Supporting these services in 5G networks is challenging due to the high mobility and stringent network latency requirements. Network slicing is a promising solution. However, a comprehensive research on combining flying and ground-based cars in network slicing is still missing in the literature. Under-provisioning of radio resources can result in the violation of service requirements, while radio resource over-provisioning can cause resource under-utilization. We propose two-level closed-loops for Resource Block (RB) management to satisfy the delay budget constraint of flying and ground-based cars simultaneously while avoiding radio resource under/over provisioning. We design two closed-loops to map slices and services to Open RAN elements for radio resource scheduling and to allocate RB to cars. We propose a zero-touch RB adjustment approach and link these two closed-loops through the reward function of a deep reinforcement learning algorithm that optimizes slice resources in real time. Results show that our approach maximizes delay requirement satisfaction while preventing RB under/over-provisioning.
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 ».