Artificial Intelligence Assisted Softwarization, Virtualization and Intelligentization of Everything for Improving Network Access
Notice bibliographique
Résumé
Future warfare will require commanding and controlling resources across multiple warfighting domains (i.e., sea, land, air, space, and cyber). Successfully performing command and control relies on reliable and accessible information aggregated from varied sensors. Connecting the sensors in contested environments needs a reliable communications network. This paper investigates the potential of AI-assisted softwarization, virtualization, and intelligentization of everything to improve network access in contested environments significantly. Using multiclass queueing theory, we optimize the allocation of resources to multiple services in a network-slicing environment. Our approach considers the limitations imposed by the dynamic spectrum allocation and the need for reliability and low latency in military communications. Some of the limitations imposed by the dynamic spectrum allocation in military communications include spectrum jamming and radio-triggered roadside bombs. We demonstrate that AI-assisted softwarization, virtualization and intelligentization of everything can significantly improve network access by increasing the carried traffic load at base stations. The carried traffic load is increased due to the enhanced number of physical links available at those base stations. The analysis results indicate that the carried traffic load or the number of physical links can be increased by 100,000. As our model and analysis are limited to the base stations and do not consider the network as a whole, future work will address these limitations by modelling the entire network and exploring the impact of jamming.
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 | 0,001 |
| 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 | 0,002 |
| 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 ».