MétaCan
Menu
Retour à la cohorte
Enregistrement W2281800984 · doi:10.1109/vtcfall.2015.7390830

Adaptive Expiration Time for Dynamic Beacon Scheduling in Vehicular Ad-Hoc Networks

2015· article· en· W2281800984 sur OpenAlexaff
Maryam Alotaibi, Hussein T. Mouftah

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicular Ad Hoc Networks (VANETs)
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésBeaconComputer scienceReal-time computingScheduling (production processes)ScalabilityWireless ad hoc networkComputer networkInterval (graph theory)Vehicular ad hoc networkWirelessTelecommunicationsEngineering

Résumé

récupéré en direct d'OpenAlex

In Vehicle Ad-hoc Networks, beacon is generated periodically to provide adequate awareness of the surrounding vehicles and environment. Generating periodic beacons at the same rates for all vehicles, typically high rates for safety applications, consume sizeable resources on communication channel. This is in turn presents a challenge to a reliable and successful delivery. This problem gains a lot of attention and researchers started to come up with many fundamentally different solutions to adjust beacons rate for better scalability. However, adjusting beacon rate without a good estimate of beacon data lifetime may impact the accuracy of the awareness of the surrounding vehicles. Particularly, for the applications and protocols that require knowledge about network topology. Accordingly, we propose a new mathematical formula, Adaptive Expiry Time (AET), to determine the lifetime of beacon data. It is independent of beacon scheduling interval and based on neighbour position, speed and orientation. It has been evaluated using proposed Dynamic Beacon Scheduling (DBS) that adjusts beacon interval according vehicle speed. Furthermore, it has been compared to different approaches of expiry time, such as Constant Expiry Time (CET), Variable Expiry Time (VET).

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,014
Tête enseignante GPT0,221
Écart entre enseignants0,207 · 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 source (Gemma direct ou Codex distillé), 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

Citations5
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetVehicular Ad Hoc Networks (VANETs)Travaux en français237 207