Toward a Practical Energy Conservation Mechanism With Assistance of Resourceful Mules
Notice bibliographique
Résumé
As wireless sensor networks (WSNs) gradually move from specialized fields such as military and industry toward domains with general purposes, more and more sensors locate around our living areas. The reality that various wireless devices coexist in new circumstances encourages us to come up with new ideas to solve the extremely energy-constrained problem in WSNs. In this paper, we propose energy conservation with assistance of resourceful mules (ECARM), a mechanism that opportunistically utilizes resourceful mules (RMs) such as specifically designed powerful sensors or ubiquitously used laptops, tablet PCs, and smart phones to act as assistants and save energy for WSNs. We verify ECARM through extensive simulations written on the OMNET$\boldsymbol{++}$ platform. Single RM simulation shows that 43% sensors in an RM's communication range enjoy power reduction by decreasing their wake-up time to 16% at most. Multiple RM simulations illustrate that 86% sensors in the simulated network benefit from 14 RMs, and wake-up time of 56% sensors decrease to 50% below. We emphasize that ECARM can also be applied in duty-cycled WSNs that adopt schemes such as ContikiMAC and X-MAC. Simulation results demonstrate that the duty-cycling ratio of ContikiMAC is further decreased by at least 20.9% after the ECARM application.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».