Improving throughput and fairness by improved channel assignment using topology control based on power control for multi-radio multi-channel wireless mesh networks
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
Multi-radio multi-channel (MRMC) wireless mesh networks (WMNs) achieve higher throughput using multiple simultaneous transmissions and receptions. However, due to limited number of non-overlapping channels, such networks suffer from co-channel interference, which degrades their performance. To mitigate co-channel interference, effective channel assignment algorithms (CAAs) are desired. In this article, we propose a novel CAA, Topology-controlled Interference-aware Channel-assignment Algorithm ( TICA ), for MRMC WMNs. This algorithm uses topology control based on power control to assign channels to multi-radio mesh routers such that co-channel interference is minimized, network throughput is maximized, and network connectivity is guaranteed. We further propose to use two-way interference-range edge coloring, and call the improved algorithm Enhanced TICA ( e-TICA ), which improves the fairness among flows in the network. However, the presence of relatively long links in some topologies leads to conflicting channel assignments due to their high interference range. To address this issue, we propose to utilize minimum spanning tree rooted at the gateway to reduce conflicting channels, and in turn, improve medium access fairness among the mesh nodes. We call the improved algorithm e-TICA version 2 ( e-TICA2 ). We evaluate the performance of the proposed CAAs using simulations in NS2. We show that TICA significantly outperforms the Common Channel Assignment scheme in terms of network throughput, and e-TICA and e-TICA2 achieve better fairness among traffic flows as compared to TICA. It is also shown that e-TICA2 leads to improved network throughput, as compared to TICA and e-TICA.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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