Energy-Efficient Resource Allocation for FeMBB and eURLLC Coexistence in RSMA-Based Wireless Networks
Notice bibliographique
Résumé
Emerging 5G-Advanced and 6G wireless networks are anticipated to support a wide array of services, including further enhanced mobile broadband (FeMBB) and extreme ultra-reliable low-latency communications (eURLLC), to meet diverse communication needs. The radio access network (RAN) slicing is a pivotal technology for enabling the delivery of these services on shared infrastructure, playing a particularly important role in 6G, where FeMBB and eURLLC services have different blocklengths. To meet varying quality of service (QoS) demands in next-generation networks, innovative multiple access techniques are required to improve interference management and optimize spectrum efficiency. Rate-splitting multiple access (RSMA) is an effective approach for achieving these objectives. This paper investigates the problem of Energy-efficient joint Resource block (RB) allocation and Power control (ERP) for the coexistence of FeMBB and eURLLC services in RSMA-based green communication networks. In this ERP problem, each FeMBB user is guaranteed a minimum data rate, while each eURLLC user must satisfy latency and reliability constraints. To address the ERP problem, we introduce a sub-optimal algorithm (SO-ERP) based on convex optimization. However, the SO-ERP algorithm has high computational complexity and requires approximations to convexify the original ERP problem, potentially moving the solution away from the optimum. To overcome these limitations, we propose a hybrid deep reinforcement learning (HDRL-ERP) algorithm that employs a dueling double deep Q-network for RB allocation and a deep deterministic policy gradient for power control. Simulation results are presented to illustrate the performance of SO-ERP and HDRL-ERP algorithms.
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 | 0,000 | 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 ».