Adaptive Multi-Dimensional Resource Slicing in Cognitive Satellite-Terrestrial Vehicular Networks
Notice bibliographique
Résumé
Satellite-terrestrial vehicular networks (STVN) are envisioned as a promising architecture to provide ubiquitous connectivity for network-reliant vehicular services. In this paper, we investigate resource slicing in cognitive STVN by adaptively managing both communication and caching resources in low Earth orbit (LEO) satellites and terrestrial base stations to support High-Definition (HD) map distribution. Leveraging distinct multicast and unicast features of satellite and terrestrial networks, a novel resource slicing architecture is proposed for cognitive STVN. Two kinds of slices, one for multicast and another for unicast transmissions, are created to tailor the different resource usage and transmission characteristics. To address the challenges posed by spatiotemporal dynamics in service demands and satellite availability, we formulate a long-term resource slicing optimization problem. A two-layer resource slicing (TLRS) scheme is proposed for adaptive multi-dimensional resource management employing a hybrid data-model co-driven approach. In the inner layer, a swap-based matching algorithm is developed to determine the multicast and caching decisions within each slicing window. In the outer layer, a hybrid proximal policy optimization (HPPO)-based reinforcement learning algorithm is designed to adaptively adjust the slicing window length and communication resources in each slice. Simulation results demonstrate that the proposed TLRS scheme in cognitive STVN can effectively guarantee service requirements with efficient resource usage and lower delay performance.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».