Digi-Infrastructure: Digital Twin-Enabled Traffic Shaping with Low-Latency for 6G Smart Cities
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
Digital twin (DT)-based smart cities are anticipated to achieve seamless integration between physical and digital objects to satisfy an enormous number of users across all domains. Therefore, the infrastructure of 6G smart cities has become an important topic. Many types and data priorities exist in 6G smart cities; therefore, data traffic management is challenging. Current solutions may face challenges adjusting to swiftly evolving network circumstances and the unexpected rise of time-sensitive data. They require flexibility to handle non-periodic, unforeseen, and time-sensitive traffic, such as mission-critical applications. While current research explores the combination of Time-Sensitive Networking (TSN) and 5G, the evolution to 6G also necessitates the integration of TSN and DT technology to achieve deterministic networking. Therefore, taking advantage of DT in data traffic management, we propose a DT-enabled traffic shaping architecture called Digi-infrastructure, consisting of an intelligent traffic shaper inspired by TSN. Our proposed shaper comprises two components: the first component is a frame classification method established on Deep Reinforcement Learning (DRL) to address the dynamic scheduling problem by minimising the end-to-end delay. The second component is an intelligent gate control mechanism that considers the time, queue status and specified transmission time of traffic classes according to priority based on latency requirements without using a gate control list or timing data gate control. Finally, our solution improves infrastructure connectivity, efficiency, and latency.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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