- 5G 网络中路径损耗预测的稳健机器学习方法与嵌套交叉验证
利用机器学习方法对 5G 网络系统中的路径损耗进行预测,以实现更精确的网络规划、资源优化和性能改进。
- MM基于机器学习的低延迟高可靠通信风险感知资源分配的挑战与策略
通过机器学习技术在 5G 无线网络中实现非计划 URLLC 流量传输的研究,提出了一种分布式风险感知机器学习解决方案,从而可以实现计划或非计划 URLLC 流量的同时满足其严格的延迟和可靠性要求。
- MM非正交多址传输:常见误解与关键问题
本研究旨在识别与阐明关于非正交多址 (NOMA) 的常见误解,强调 NOMA 在 5G 及更高版本的通信网络中的重要性与未来愉景。
- 移动 VR 传递的通讯、计算和缓存:建模与折衷
为了实现移动虚拟现实的传输,利用移动 VR 设备的缓存和计算能力,共同优化缓存和计算卸载策略,以减少网络流量和传输速率,并揭示通信,计算和缓存之间的权衡以及在异构场景中的优化问题。
- 超可靠低延迟无线通信:尾数、风险和规模
本研究论文探讨了确保 5G 以上的无线网络具备超高可靠性和超低延迟通信(URLLC)的策略,包括延迟,可靠性,数据包大小等多种不同考虑因素,最终提供了关于设计低延迟和高可靠性无线网络的有价值洞见和技术治理方法。
- 5G 网络非正交多址技术研究进展与未来趋势综述
本次调查综述了非正交多址接入技术在满足 5G 无线网络对低延迟、高可靠性、大量连通性、公平性和高吞吐量等异构需求中的关键作用,概括了最新的研究和创新,讨论了 5G 及其后续 NOMA 技术的未来研究挑战。
- MM面向网络的大数据缓存:从云端到边缘的迁移
提出了一种大数据缓存架构来实现在 5G 无线网络中对内容的主动缓存,通过使用大数据分析工具,数值研究结果表明在提高用户满意度和减轻回传负载等方面获得了显著的收益。
- 大数据与电信运营商的前瞻性缓存视角
本文研究了通过在基站采用主动缓存技术,以解决 5G 无线网络优化中的大数据问题。通过利用收集自土耳其电信运营商的用户移动通信数据进行内容受欢迎程度的估计,得出当存储容量为 15.4G,内容评价占 10%时,主动缓存实现 100%的请求满足率 - MM无线缓存:技术误解与商业障碍
本研究讨论了缓存技术在无线网络中的应用,重点探讨了网络、信息理论、机器学习和无线通信等不同领域之间的联合研究,同时分析了涉及的利益相关者之间的复杂关系。最终,我们对 5G 无线网络中的缓存进行了前景展望和利益相关者分析。