MétaCan
Menu
Retour à la cohorte
Enregistrement W2145736495 · doi:10.1109/secon.2012.6275813

On the performance of successive interference cancellation in random access networks

2012· article· en· W2145736495 sur OpenAlexaff
Mohsen Mollanoori, Majid Ghaderi

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueCooperative Communication and Network Coding
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésSingle antenna interference cancellationComputer scienceInterference (communication)Random accessComputer networkTelecommunicationsDecoding methods

Résumé

récupéré en direct d'OpenAlex

Successive Interference Cancellation (SIC) is a physical-layer technique that enables reception of multiple overlapping transmissions. While SIC has the potential to boost the network throughput, if the MAC protocol employed in the network is agnostic to such a capability at the physical-layer, the full potential of SIC can not be utilized in the network. There have been a number of studies to design new SIC-aware MAC protocols or adjust the existing protocols to exploit SIC. Despite that, the exact effect of MAC protocols on the throughput of SIC-enabled networks is unknown. In this paper, we propose a novel SIC-aware MAC protocol based on the disparity of user channels in a wireless network and analyze its performance. We consider a simple random access protocol with no SIC as the base configuration and compare it with three other configurations with different levels of SIC-awareness. We show that while a SIC-enabled physical layer without a SIC-aware MAC protocol can increase the throughput of the network by 1.5×, a specifically designed MAC protocol is far more efficient achieving up to 3.3× improvement in throughput. Our SIC-aware MAC protocol is fully distributed and hence subject to selfish behavior of users. Thus, we also consider the case where the users behave selfishly. We model our proposed protocol as a one-shot simultaneous move game and derive a mixed strategy Nash equilibrium. We also show that we can set the cost of packet transmission in such a way that we get the optimal system throughput at the Nash equilibrium.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,928
Score d'incertitude au seuil0,183

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,049
Tête enseignante GPT0,300
Écart entre enseignants0,252 · 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 tête enseignante, 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

Citations15
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCooperative Communication and Network CodingTravaux en français237 207