A Scalable Sensor Management Architecture Using BDI Model for Pervasive Surveillance
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
Recent world events have amplified the need for improved safety and security to contend with natural and man-made threats. The universality and unpredictability of such threats have stimulated intense interest in smart pervasive surveillance systems. They are built by adopting smart sensor networks that cover large areas and can perform self-contained assessments of situations in the environment. However, such systems rely on a massive number of sensors with diverse capabilities but limited resources, e.g., power, processing, and storage. Thus, successful management of tasks hinges on the systems architecture. Sensor management architectures (SMAs) coordinate the sensor nodes and their resources in a manner that improves system control and situation awareness. This paper introduces a scalable and flexible SMA for many sensor management (SM) applications, particularly, pervasive surveillance. This novel SMA is called the extended hybrid architecture for SM (E-HASM), an architecture that combines the advantages of the holonic, federated, and market-based paradigms. The E-HASM models each node as an intelligent sensor by using the beliefs, desires, and intentions model and defines the interaction and cooperation among the nodes. The simulation results illustrate the performance of the E-HASM over a variety of security threats, background targets, and network sizes. The results prove that the proposed architecture is significantly more scalable and flexible than centralized architectures.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle