Fairness in delay-aware cross layer data transmission scheme for wireless sensor networks
Notice bibliographique
Résumé
Prioritization of the data collected by the Wireless Sensor Networks (WSNs) can provide promising performance enhancements for applications that monitor and control the critical systems. Particularly, in smart grid, defense and e-health applications, delivering high priority data with low latency is important. Previous works have focused on various cross layer approaches for providing Quality of Service (QoS) in WSNs. However, in the ad hoc nature of WSNs it is highly challenging to become aware of selfish nodes that may exploit those QoS-aware approaches. In our previous work, we have proposed a delay-aware cross layer technique for WSNs. In this paper, we propose a cross layer scheme that is both fairness-aware and delay-aware. Our fairness in delay-aware cross layer data transmission scheme (FDRX) is based on delay-estimation and data prioritization steps that are performed before the data transmission by the application layer. If the estimated delay is higher than the acceptable latency range for the high priority data, MAC layer parameters respond to the delay requirements of the application and vary channel access mechanism in a fair manner. Our results show that the proposed FDRX scheme is able to reduce end-to-end delay for data demanding timely delivery while the latency of the other packets is slightly impacted. Furthermore, our approach is able to maintain acceptable performance in terms packet delivery and energy consumption.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| 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 tête enseignante, 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 ».