A new two-phase scatternet formation algorithm for bluetooth wireless personal area networks
Notice bibliographique
Résumé
A Bluetooth multi-hop personal area network can be formed by interconnecting one or more piconets into a scatternet. A Bluetooth scatternet is an ad hoc network in which the devices move randomly and organize themselves. The scatternet is attractive because it can extend the Bluetooth radio range and improve the network capacity. The current Bluetooth specification [1] only defines the scatternet but does not address how the scatternet is formed. To reduce the high load on the master nodes and bridge nodes, a twophase scatternet formation (TPSF) [8] algorithm has been proposed in which a control scatternet is created for the control traffic in the first phase and an on-demand scatternet is created for the data traffic in the second phase. In TPSF, route information for the ondemand scatternet on each node is discovered only when the node initially accesses the network. The original TPSF does not consider the support of mobility. In this thesis, we propose a new scheme which is called TPSF+ for the on-demand scatternet formation in the second phase of TPSF. In TPSF+, route information is discovered when a communication session is required between the two nodes. Consequently, the on-demand scatternet can be formed with much higher success ratio when the slaves randomly move around the master after accessing the network. We also propose to use PM_ADDR (Parked Member Address) instead of BD_ADDR (Bluetooth Device Address) during route discovery in order to reduce the time of the route discovery process. Furthermore, to reduce the hop distance of the on-demand scatternet, we limit the number of hops in each piconet in the control scatternet. Based on the simulation results, we show that our scheme can improve network performance greatly in terms of aggregate throughput and end-to-end delay even with the consideration of packet collisions. With the slaves randomly moving around the master, TPSF+ achieves much better performance in terms of a higher successful path connection ratio.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».