A Localized Adaptive Strategy to Calculate the Backoff Interval in Contention-Based Vehicular Networks
Notice bibliographique
Résumé
The dynamic nature of vehicular networks with their fast changing topology poses several challenges to setup communication between vehicles. Packet collisions are considered to be the main source of data loss in contention-based vehicular networks. Retransmission of collided packets is done several times until an acknowledgment of successful reception is received or the maximum number of retries is reached. The retransmission delay is drawn randomly from an interval, called the backoff interval. A good choice of the backoff interval reduces the number of collisions and the waiting periods of data packets, which increases the throughput and decreases the energy consumption. An optimal backoff interval could be obtained if global network information spread in the network in a short time. However, this is practically not achievable which motivates the efficient utilization of local information to approach the optimal performance. In this paper, we propose a localized adaptive strategy that calculates the backoff interval for unicast applications in vehicular networks. The new strategy uses fuzzy logic to adapt the backoff interval to the fast changing vehicular environment using only local information. We present four schemes of that strategy that differ in their behavior and the number of inputs. We compare the proposed schemes with other known schemes, binary exponential backoff, backoff algorithm, and an optimal scheme, in terms of throughput, fairness, and energy consumption. Results show that by proper tuning of the fuzzy parameters and rules, one of the proposed schemes outperform the other schemes, and approach the optimal results.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».