Location-Aided Gateway Advertisement and Discovery Protocol for VANets
Notice bibliographique
Résumé
Intelligent transportation systems (ITSs) are gaining momentum among researchers. ITS encompasses several technologies, including wireless communications, sensor networks, voice and data communication, real-time driving-assistant systems, etc. These state-of-the-art technologies are expected to pave the way for a plethora of vehicular network applications. However, ITS faces difficult issues when trying to widely deploy such networks and applications. The interconnection of different networks, even in the case of the Internet, is one of the main difficulties that is delaying the wide spread of vehicular networks. In this paper, we present a novel gateway discovery technique for vehicular ad hoc networks (VANets). Our protocol aims to provide an efficient hybrid adaptive Location-Aided Gateway Advertisement and Discovery (LAGAD) mechanism for VANets. First, it permits gateway clients to discover nearby gateways; then, gateways keep advertising themselves to their clients to permit client information about the route toward the discovered gateway without having to resort to reactive route discovery. We discuss the implementation of our algorithm and present its proof of correctness, in addition to the performance evaluation demonstrated through an extensive set of simulation experiments using a Manhattan mobility model. Our results indicate that our LAGAD scheme is scalable and that a significant success rate could be achieved using our algorithm while guaranteeing low response time (on the order of milliseconds) and low bandwidth usage when compared with other gateway discovery approaches. Moreover, our results indicate that LAGAD achieves a high delivery ratio of data packets, as well as a low end-to-end delay, and permits duplicate and ordered data packet reception at the destination gateway.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».