IoT and Massive Connectivity: Massive MIMO Optimization for IoT Connectivity in 5G and Beyond Networks
Notice bibliographique
Résumé
The IoT's explosive growth has led to a massive number of connected devices, which demand high-speed and pervasive connectivity, posing significant challenges for current-generation wireless communication infrastructures. Considering our evolution toward 5G and beyond 5G (B5G) and 6G networks, providing scalable, reliable, and low-latency communication for billions of devices is therefore essential. Massive Multi-Input Multi-Output (Massive MIMO) is a promising technology for fulfilling the requirements of 5G, as it can spatially multiplex a large number of users and increase the spectral efficiency per user. In this paper, we focus on optimizing the performance of Massive MIMO systems in IoT connectivity and low-latency use cases for 5G and B5G. It studies key issues, including pilot contamination, energy efficiency, and user scheduling, among dense IoT deployments. In addition, it surveys all recent progress in channel estimation, hybrid beamforming, and machine learning-based resource allocation technologies for enhancing IoT scenarios related to Massive MIMO. Simulation-based results reveal the trade-offs between capacity, latency, and energy utilization, indicating an optimal operating point that ensures optimal performance for diverse IoT applications. The work concludes with a discussion of future research avenues, such as integration with cell-free designs, intelligent reflecting surfaces, or AI-based network orchestration for enhanced IoT capabilities.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».