MétaCan
Menu
Retour à la cohorte
Enregistrement W2043060026 · doi:10.1186/1687-1499-2013-256

Optimizing end user QoS in heterogeneous network environments using reputation and prediction

2013· article· en· W2043060026 sur OpenAlexaff
David Giacomini, Anjali Agarwal

Notice bibliographique

RevueEURASIP Journal on Wireless Communications and Networking · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Wireless Network Optimization
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceHandoverReputationQuality of serviceService providerHeterogeneous networkService (business)End userComputer networkBandwidth (computing)Vertical handoverQuality (philosophy)TelecommunicationsWorld Wide WebWireless network

Résumé

récupéré en direct d'OpenAlex

Telecommunication consumers are fueling a demand for mobile devices that are rapidly increasing in their capability to provide a wider range of services. These services in turn are consuming more bandwidth and require richer quality of service (QoS) in order to ensure a good end user experience when performing activities such as streaming video content or facilitating voice over IP. As a result, network providers are expanding and improving their coverage area while technology to establish Wi-Fi hotspots is becoming more accessible to every day users. This combination of increase in demand and accessibility, coupled with users' ever-increasing expectations for high quality service presents a growing need to seamlessly optimize the use of the overlaid heterogeneous networks in urban areas to maximize the end user experience via the use of a vertical handover mechanism (VHO). Grey systems theory has been used in a wide range of systems including economic, financial, transportation, and military to accurately forecast time series based on limited information. In this paper, we build on a novel reputation-based VHO decision rating system by proposing the use of the grey model first-order one variable, GM(1,1), in the handover decision making progress. The low complexity of the GM(1,1) model allows for a quick and efficient prediction of the future reputation score for a given network, providing deeper insight into the current state of the target network. Furthermore, simulations show that the proposed model, in comparison with the original reputation model, improves the decision capability of a mobile node and helps balance the load across the heterogeneous networks employing its strategy.

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)0,002
score de la tête « metaresearch » (Gemma)0,006
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 enseignants0,010
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,020
Tête enseignante GPT0,233
Écart entre enseignants0,213 · 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

Citations8
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEURASIP Journal on Wireless Communications and NetworkingMême sujetAdvanced Wireless Network OptimizationTravaux en français237 207