Joint Interference Management and Traffic Offloading in Integrated Terrestrial and Non-Terrestrial Networks
Notice bibliographique
Résumé
The exponential growth of data traffic beyond the 5G era necessitates improved resource utilization for the integrated terrestrial and non-terrestrial networks (ITNTN). In this work, we consider a multi-user multiple input multiple output (MU-MIMO)-empowered 5G ITNTN network consisting of terrestrial 5G and multi-beam geostationary earth orbit (GEO) satellite-based gNBs and develop an interference management framework that allows multiple users to receive downlink data over the same resource blocks (RB) simultaneously. Our developed framework first employs a traffic offloading algorithm by leveraging the reference signal received power (RSRP) and celledge width criteria to offload traffic from terrestrial to NTN networks. Subsequently, we formulate the resultant interference management as a joint power allocation and user-RB scheduling optimization problem to maximize the network’s spectral efficiency. Since the joint optimization problem is NP-hard and computationally intractable, a fractional programming-based solution is developed to obtain sub-optimal yet efficient transmit power allocation and user scheduling at terrestrial and satellite gNBs. A realistic ITNTN simulator is developed for performance evaluation by considering 3GPP channel models, antenna gains, and 5G RB numerology in rural terrestrial-GEO coexistence scenarios. Extensive simulation results confirm the efficacy of the proposed framework in managing interference and improving resource utilization at 5G ITNTN networks.
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 ».