MétaCan
Menu
Retour à la cohorte
Enregistrement W2018701378 · doi:10.1016/j.procs.2012.06.141

Improving QoS in VANET Using MPLS

2012· article· en· W2018701378 sur OpenAlexaff
Mahmood Fathy, Saeed GholamalitabarFirouzjaee, Kaamran Raahemifar

Notice bibliographique

RevueProcedia Computer Science · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicular Ad Hoc Networks (VANETs)
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceMultiprotocol Label SwitchingQuality of serviceVehicular ad hoc networkComputer networkTelecommunicationsWireless ad hoc networkWireless

Résumé

récupéré en direct d'OpenAlex

Vehicular Ad hoc Networks (VANET) as a sub class of Mobile Ad hoc Networks (MANET) provides a wireless communication among vehicles and vehicle to road side equipment [1] . Important applications of VANET are providing safety for passengers in one hand, and also resource efficiency including traffic as well as environmental efficiency on the other hand. As a result, providing Quality of Service (QoS) has a great role in Intelligent Transportation System (ITS). Different methods over network layers, especially over layer 2 and layer 3 were recently proposed to support QoS in VANET [2] . But in this paper, MPLS [11] as a forwarding method which can be compatible with any layer 2 technology is used in road side backbone network, to improve QoS in terms of end-toend delay, packet loss and throughput in urban areas, where lots of roadside unit exist

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,215
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProcedia Computer ScienceMême sujetVehicular Ad Hoc Networks (VANETs)Travaux en français237 207