A new in-network data reduction mechanism to gather data for mining wireless sensor networks
Notice bibliographique
Résumé
Recently, association rules for sensors have received a great deal of attention due to their importance in capturing the temporal relations between sensor nodes in wireless sensor networks (WSNs). Because of this capability, these rules can be used to improve the Quality of Service (QoS) of wireless sensor networks by participating in the resource management process. To mine sensor association rules, behavioral data that describes the sensors' activities over time must be extracted and accumulated at the central node (the Sink) for further analysis. Given the limited resources of sensor nodes, a well designed data gathering algorithm is required for gathering the behavioral data efficiently. In this paper, an in-network data reduction technique is proposed to reduce the amount of data that needs to be routed to the Sink by exploiting the redundancy between sensors' activities. The in-network reduction technique will be implemented on top of a data gathering tree that we refer to as the Minimum Nodes Data Gathering Tree (MNDGT), which consists of the nodes that will participate in formulating the sensor rules and those that are necessary for maintaining the minimum distance to the Sink. To report on the performance of the reduction mechanism, a comparison analysis with other two gathering schemas is introduced. Indeed, the results show that the in-network reduction technique is able to reduce the number of messages by a factor ranging from 10% to 70% compared to the other techniques.
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 | 0,003 | 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 | 0,001 |
| Science ouverte | 0,005 | 0,003 |
| 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 ».