A successive refinement approach to wireless infrastructure network deployment
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
There has been a recent proliferation in wireless infrastructure network deployments. In a typical deployment, an installer uses either a one-time site survey or rules of thumb to place wireless access points and allocate them with channels and power levels. Because the access point location problem is inherently complex and one that requires tradeoffs among competing requirements, these approaches can result in either dead spots or significant unintended interference among wireless access points. This degrades network performance for end clients, with throughput reduction factors of 4x found in field measurements. In this paper, we take a first step towards improving client performance by coordinating choices of channels and power levels at wireless access points using a successive refinement approach. Our contributions are two-fold: first, we develop a mathematical model that crisply defines the solution space and identifies the characteristics of an optimal channel and power-level configuration. Second, we present heuristics that, under some simplifying assumptions, yield near-optimal configurations. We use Monte Carlo simulations to evaluate the performance of our heuristics. We find that the choice of heuristics for transmit power control impacts performance more than the channel allocation strategy, especially at high densities. Also, surprisingly, randomly assigning channels to access points appears to be an effective strategy at higher deployment densities. Taken together, we believe that this study paves the way to designing rapidly deployable real-world infrastructure networks that also have good performance
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,001 | 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