Multimedia traffic is predicted to account for 82% of the total data traffic by the year 2020. With the increasing popularity of video streaming applications like YouTube, Netflix, Amazon Prime Video, popular video content is often required to be delivered to a large number of users simultaneously. Multicast transmission can be used for catering to such applications efficiently. The common content can be transmitted to the users on the same resources resulting in considerable resource conservation. This paper proposes various schemes for efficient grouping and resource allocation for multicast transmission in LTE. The optimal grouping and resource allocation problems are shown to be NP-hard and so, we propose heuristic algorithms for both these problems. We also formulate a Simulated Annealing based algorithm to approximate the optimal resource allocation for our problem. The LP-relaxation based resource allocation proposed by us results in allocations very close to the estimated optimal.


翻译:预计到2020年多媒体通信量将占数据流量总量的82%,随着YouTube、Netflix、亚马逊原始视频等视频流应用越来越受欢迎,通常需要同时向大量用户提供流行视频内容。多播传输可以高效地用于满足这些应用。共同内容可以在同一资源上传送给用户,从而节省大量资源。本文件提出了多种计划,为LTE的多播传播高效分组和资源分配。最佳组合和资源分配问题被证明是硬性NP,因此,我们为这两个问题提出了超自然算法。我们还制定了一种模拟的安妮算法,以近似我们问题的最佳资源分配。我们提议的基于LP的放松资源分配导致分配非常接近估计的最佳分配。

0
下载
关闭预览

相关内容

专知会员服务
61+阅读 · 2020年3月19日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
60+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
154+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
177+阅读 · 2019年10月11日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
已删除
AI掘金志
7+阅读 · 2019年7月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
Arxiv
3+阅读 · 2017年12月18日
VIP会员
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
已删除
AI掘金志
7+阅读 · 2019年7月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员