DRL-Leveraged and RIS-Assisted Hybrid Network Slicing for eMBB and URLLC Co-Existence in 6G Systems
Notice bibliographique
Résumé
In this paper, we design a Reconfigurable Intelligent Surface (RIS)-assisted down-link cellular network for the co-existence of enhanced Mobile Broadband (eMBB) and Ultra Reliable Low Latency Communication (URLLC) services in 6G. A novel hybrid slicing technique comprising Non-orthogonal Multiple Access (NOMA) and puncturing is proposed to schedule the URLLC transmission on top of the already scheduled eMBB traffic. We propose a slot-based eMBB scheduling to schedule the eMBB flows at the beginning of the slot, and a mini-slot-based URLLC scheduling to insert the mini-slots on top of the scheduled eMBB traffic. The overall objective is to maximize the URLLC packets admission rate and minimize the eMBB rate loss while satisfying the Quality of Service (QoS) demands of both eMBB and URLLC services. The eMBB allocation problem is solved using Alternating Optimization (AO) by optimizing the RIS phase shift and eMBB power. The URLLC allocation is achieved using a Deep Reinforcement Learning (DRL)-based Proximal Policy Optimization (PPO) algorithm. The performance of the proposed technique with hybrid network slicing is compared with the NOMA-based and puncturing-based slicing, and other state-of-the-art (SOTA) techniques for URLLC allocation. The comparison results show that the proposed hybrid network slicing outperforms these techniques. Specifically, it is observed that with the worst-case URLLC load, the proposed solution provides 5.31% and 144% improvements in the URLLC packet admission rate and eMBB sum rate, respectively, compared to an optimization-based SOTA URLLC allocation technique. Similarly, there is an improvement of 78.36% in execution time compared to the SOTA URLLC allocation technique based on the heuristic algorithm.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,004 | 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 ».