HMS: Holistic MPR selection and network connectivity for tactical edge networks
Notice bibliographique
Résumé
MANET is seen as a promising technology that helps facilitate range extension in tactical edge networks (TENs) where both realtime broadcast and unicast are critical communications. These services are usually provided by proactive routing protocols with Multipoint Relay (MPR) technology. The standardized MPR selection method produces redundant MPR nodes which can cause repeated transmissions of broadcast traffic in TENs where bandwidth and power are scarce. Efficient minimum MPR set optimization remains a challenge. In addition to MPR selection, network connectivity is another important feature for how to best deploy connected MANETs at the tactical edge and ensure its reliable connectivity. To the best of our knowledge, little research has been done on this front. In this paper, we propose a holistic MPR selection (HMS) strategy that selects nearly-optimized MPR sets for a MANET in a pre-defined area at varying radio transmission ranges. We show through simulations that HMS is very close to the lower bound of the optimal MPR number and reduces over 50% MPRs compared to the greedy heuristic method in most tactical edge scenarios. We introduce a method to arrive at the minimum MPR size for fully covering a pre-defined area with different radio transmission ranges and investigate the relationship of MPR set with network connectivity. We developed the algorithm with simple geometry and found that our MPR comparison results among HMS, the minimum MPR size, and the lower bound of the optimal MPR number deliver radio range boundaries that differentiate three different grades of connectivity. The range boundaries can be used as an advanced feature for how to best deploy a MANET at the tactical edge for reliable connectivity.
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 | 0,001 | 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 | 0,001 |
| 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 ».