Toward AI-Enabled Green 6G Networks: A Resource Management Perspective
Notice bibliographique
Résumé
The development of 6G wireless networks is driven by the pressing need for reliable connectivity in the increasingly intelligent Internet of Things (IoT) ecosystem. The goal of these networks is to seamlessly connect individuals, devices, vehicles, and resources such as the cloud. However, the heterogeneity and complexity of 6G due to the proliferation of devices, diverse applications, and the need for green and sustainable communication networks, pose significant Resource Management (RM) challenges. Furthermore, the stringent requirements of 6G networks for Quality-of-Service (QoS), scalability, intelligence, and security can make traditional RM approaches ineffective, particularly considering Energy Efficiency (EE). In response to these challenges, Artificial Intelligence (AI) has been considered to provide green RM. AI techniques can be used to efficiently manage network resources, balance energy demands, optimize EE, and integrate Energy Harvesting (EH). This paper examines 6G networks from an AI perspective to optimize resource allocation, minimize energy consumption, and maximize network performance. The focus is on RM within these networks considering Radio Resource Management (RRM), Computing and Caching Resource Management (CCRM), and Communication Network Resource Management (CNRM). The emphasis is on RM within the Cellular Network Infrastructure (CNI) and Machine Type Communications (MTC). AI models for efficient resource utilization to enhance EE and network performance are investigated. It is shown that AI plays a pivotal role in achieving green RM within 6G networks. Future research directions are outlined for intelligent networks to meet the growing demands and emerging challenges.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».