MétaCan
Menu
Retour à la cohorte
Enregistrement W2080586975 · doi:10.1145/1582379.1582517

Behavior of clock-sampling mutual network synchronization in wireless sensor networks

2009· article· en· W2080586975 sur OpenAlexaff
Ereth McKnight‐MacNeil, Thomas Kunz

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueNetwork Time Synchronization Technologies
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésClock synchronizationComputer scienceWireless sensor networkClock driftSelf-clocking signalSynchronization (alternating current)Synchronization networksReal-time computingWireless networkKey distribution in wireless sensor networksNetwork topologyComputer networkWirelessDistributed computingJitterClock skewChannel (broadcasting)Clock signal

Résumé

récupéré en direct d'OpenAlex

Clock synchronization is an important component of wireless sensor networks both for co-ordination of node communications and for time stamping sensor data. The properties of the previously presented clock sampling mutual network synchronization algorithm (CS-MNS) are explored. The desirable properties of this algorithm include simplicity, low communication and processing overhead, and fully decentralized operation. Past simulation and analysis has shown clock convergence under specific conditions in single hop networks. We show that in the absence of offset errors the network clocks converge. In the presence of offset error we present conditions on the degree on clock asynchrony under which the network clock rates show convergent behavior. The analysis is applicable as long as the network topology is connected and thus is of interest in both single-hop and multi-hop environments. We show how the network designer can use these conditions to add a bias term to the CS-MNS algorithm and thus improve the start-up dynamics of the algorithm. Additionally, we discuss the algorithm from a security standpoint. Finally, we propose a method for adding external reference synchronization that is compatible with our security discussion.

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)0,013
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: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
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 Opus0,012
Tête enseignante GPT0,244
Écart entre enseignants0,232 · 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

Citations1
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNetwork Time Synchronization TechnologiesTravaux en français237 207