Priority- and Delay-Aware Medium Access for Wireless Sensor Networks in the Smart Grid
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Monitoring smart-grid assets in a timely manner is highly desired for emerging smart-grid applications such as transformer monitoring, capacitor bank control, plug-in hybrid-electric-vehicle load management, and power quality assessment. Wireless sensor and actor networks (WSANs) are anticipated to be widely utilized in a wide range of smart-grid applications due to their numerous advantages along with their successful adoption in various critical areas including military and health. For resource-constrained WSANs, transmitting delay-critical data from smart-grid assets calls for data prioritization and delay responsiveness. In this paper, we introduce two medium-access approaches, namely, delay-responsive cross-layer (DRX) data transmission and fair and delay-aware cross-layer (FDRX) data transmission, which aim to address the delay and service requirements of smart grids. DRX is based on delay-estimation and data-prioritization steps that are performed by the application layer, in addition to the MAC layer parameters responding to the delay requirements of the smart-grid application and the network condition. On the other hand, FDRX incorporates fairness into DRX by preventing a few nodes from dominating the communication channel. We provide a comprehensive performance evaluation of those approaches. We show that DRX reduces the end-to-end delay while FDRX has lower collision rate compared with DRX. We outline the tradeoffs regarding these approaches and draw future research directions for robust communication protocols for smart-grid monitoring applications.
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.
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 | 0,002 | 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 | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle