Internet-of-Things (IoT) technology is envisioned to enable a variety of real-time applications by interconnecting billions of sensors/devices deployed to observe some random physical processes. These IoT devices rely on low-power wide-area wireless connectivity for transmitting, mostly fixed- but small-size, status updates of their associated random processes. The cellular networks are seen as a natural candidate for providing reliable wireless connectivity to IoT devices. However, the conventional orthogonal multiple access (OMA) to these massive number of devices is expected to degrade the spectral efficiency. As a promising alternative to OMA, the cellular base stations (BSs) can employ non-orthogonal multiple access (NOMA) for the uplink transmissions of mobile users and IoT devices. In particular, the uplink NOMA can be configured such that the mobile user can adapt transmission rate based on its channel condition while the IoT device transmits at a fixed rate. For this setting, we analyze the ergodic capacity of mobile users and the mean local delay of IoT devices using stochastic geometry. Our analysis demonstrates that the above NOMA configuration can provide better ergodic capacity for mobile users compare to OMA when IoT devices' delay constraint is strict. Furthermore, we also show that NOMA can support a larger packet size for IoT devices than OMA under the same delay constraint.


翻译:互联网连接技术(IoT)的构想是,通过将数十亿用于观察随机物理过程的传感器/装置连接起来,使各种实时应用成为能够实现各种实时应用的。这些IoT设备依靠低功率的广域无线连接传输,大部分是固定的,但规模小的,其相关随机过程的更新。蜂窝网络被视为向IoT设备提供可靠的无线连接的自然候选条件。然而,常规的正方位多重访问(OMA)预计将降低光谱效率。作为OMA的一个有希望的替代品,蜂窝基地站(BS)可以使用非直径多功能(NOMA)传输移动用户和IoT设备的升级链接传输。特别是,NOMA的上端连接可以根据频道条件调整传输速度,而IoT设备以固定的速度传输。我们分析移动用户的ERgodic能力,以及使用Stochactical的IOMA设备使用硬性软性多功能的当地平均延迟。我们的分析还表明,在OMA的硬质硬度下,在OMA的硬质的硬质的硬质操作下,可以更好地显示OMA的硬质的UMA的硬质数据。

0
下载
关闭预览

相关内容

Networking:IFIP International Conferences on Networking。 Explanation:国际网络会议。 Publisher:IFIP。 SIT: http://dblp.uni-trier.de/db/conf/networking/index.html
专知会员服务
60+阅读 · 2020年3月19日
深度神经网络实时物联网图像处理,241页pdf
专知会员服务
76+阅读 · 2020年3月15日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
已删除
将门创投
5+阅读 · 2019年3月29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
Arxiv
3+阅读 · 2017年12月1日
VIP会员
相关资讯
已删除
将门创投
5+阅读 · 2019年3月29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
Top
微信扫码咨询专知VIP会员