Modeling and simulation of vehicular networks
Notice bibliographique
Résumé
Vehicular networks are characterized by highly dynamic network topologies, frequent network fragmentations and the fact that movements of vehicles are constrained to pre-defined roadways. Researchers have devoted considerable efforts to the development of innovative protocols and mechanisms to address the demanding quality of service requirements of various vehicular applications, taking into account of these special characteristics. Even though field testing yields more realistic results, it potentially involves more hazards and can be prohibitively expensive when done at scale. Hence, simulation has been the tool of choice for evaluating the performance of vehicular networking protocols and mechanisms. For simulating a wireless communication scenario in a vehicular networking environment, both the mobility of vehicles and the wireless communications between them should be modeled using appropriate traffic and network simulators, respectively. A conversion tool needs to be used to convert the outputs of traffic simulators to trace-files readable by network simulators. Note that in this case the generation of the trace-files takes place before the network simulation begins. However, for some vehicular applications such as safety or traffic applications, the movements of vehicles are affected by the received packets. So, both traffic and network simulators are expected to be running simultaneously and exchanging data. In this paper, we survey a comprehensive set of both traffic and network simulators as well as possible conversion tools and integration alternatives. We believe that this paper helps the researchers new to the field select appropriate vehicular network platforms and provide them with helpful insights as they run their first vehicular simulations.
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 | 0,000 | 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 ».