Proactive maintenance in RPL for 6LowPAN
Notice bibliographique
Résumé
Maintenance is a core challenge in all routing protocols. The utilization of IPv6 for Low Power and Lossy Networks (6LowPAN) resulted in the recent standardization of a dedicated routing protocol called RPL (Routing Protocol for Low Power and Losy Neworks). In 6LowPAN, a critical challenge exists in decreasing packet loss under the stringent energy-efficiency mandate to increase network longevity. Moreover, the challenge of failed nodes/links, and operating in a lossy environment where connections require rapid maintenance, present significant challenges. Recent attempts at routing maintenance in RPL presented advancements in handling failures, yet under reactive mechanisms that respond to failures and attempt to reduce network down-time. In this paper we design and implement a proactive RPL (Pro-RPL) maintenance scheme that enables the network to selectively predict and mitigate failures before they impact network connectivity. In Pro-RPL we capitalize on a suffering index that is associated with RPL nodes, and monitors their tendency to result in a failure. This dynamic monitoring is decentralized in nature, and presents a conforming yardstick across RPL nodes, to eliminate overhead in implementation and potential control-traffic over the network. We evaluate the efficiency of Pro-RPL in reducing packet loss, energy consumption and extending network lifetime via extensive simulations with the Cooja Simulator over the Contiki OS.
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 | 0,000 |
| 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 | 0,000 | 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 ».