MétaCan
Menu
Retour à la cohorte
Enregistrement W2408814043 · doi:10.1002/wcm.2679

Improving CSMA/CA network performance under hidden collision

2016· article· en· W2408814043 sur OpenAlexafffund
Marouane Sebgui, Jalal Almhana, Slimane Bah, Belhaj Elgraini

Notice bibliographique

RevueWireless Communications and Mobile Computing · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueCognitive Radio Networks and Spectrum Sensing
Établissements canadiensUniversité de Moncton
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésComputer scienceCollisionIdleChannel (broadcasting)ThroughputComputer networkCarrier sense multiple access with collision avoidanceHidden node problemComputationTransient (computer programming)State (computer science)Probabilistic logicComputer securityAlgorithmTelecommunicationsWireless networkWirelessArtificial intelligenceOperating system

Résumé

récupéré en direct d'OpenAlex

Abstract Dynamic spectrum access policy allows a secondary user (SU) to access a primary user (PU) channel when it is idle. However, the idle state may result from the PU's silent activities, which can be wrongly perceived as an opportunity for the SU to access the channel and lead to “hidden collision” when it effectively tries to access the channel under this condition. At best of our knowledge, this issue has yet to be addressed in the literature. In this paper, we will first define a three‐state model that describes hidden collision conditions, then propose a probabilistic model in which a transient state is added to force the SU to wait a certain period of time before accessing the channel, thereby translating into better protection for the PU. Based on this model and using Carrier Sense Multiple Access/Collision Avoidance protocol, we will evaluate the PU's and SU's throughput and delay with and without transient state as well as the gain in using our approach. Our computation results show a substantial improvement of the PU's throughput from 19.6 to 61.1%.

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: aucune
Score de désaccord entre enseignants0,990
Score d'incertitude au seuil0,826

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 technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,002
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 Opus0,015
Tête enseignante GPT0,242
Écart entre enseignants0,227 · 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

Citations1
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWireless Communications and Mobile ComputingMême sujetCognitive Radio Networks and Spectrum SensingTravaux en français237 207