Resource reservation for mobile hotspots in vehicular environments with cellular/WLAN interworking
Notice bibliographique
Résumé
Nowadays, the pervasive wireless networks enable ubiquitous high-rate wireless access from everywhere. There have been extensive studies on interworking of complementary wireless technologies in an indoor (residential or business) environment such as offices, hotels, and airport terminals. Nonetheless, there are ever-increasing demands for systematic deployment of moving networks in a vehicular environment such as public transits (e.g., a bus, train, or airplane). Due to the high mobility, it is very challenging to deliver smooth and high-quality video services for such a vehicular network. In this article, we focus on a two-hop moving network integrating both the cellular network and wireless local area network. By means of proper bandwidth reservation, we can satisfy the quality of service constraints of video applications with respect to data loss rate and packet delay. Analytical approaches are introduced to effectively estimate the achievable performance and derive the required bandwidth. To characterize video traffic, a sigmoid function is proposed to model video flows as a Markov-modulated process and fluid-flow analysis is feasible to evaluate data loss rate. At a finer packet level, the batch structure of packet arrivals is captured in the queueing analysis and packet delay is evaluated. On the other hand, for aggregate traffic multiplexed at a local gateway for the vehicular network, we use a fractional Brownian motion process to model the self-similar traffic and estimate data loss rate and packet delay. According to the performance evaluation, we can derive the required channel bandwidth for such a mobile hotspot. Numerical results are presented to demonstrate the application for bandwidth reservation, which is especially useful in case of handover.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».