MétaCan
Menu
Retour à la cohorte
Enregistrement W2586913296 · doi:10.1145/2996451

Mobile IP Handover for Vehicular Networks

2017· review· en· W2586913296 sur OpenAlexafffund
Azzedine Boukerche, Alexander Magnano, Noura Aljeri

Notice bibliographique

RevueACM Computing Surveys · 2017
Typereview
Langueen
DomaineEngineering
ThématiqueIPv6, Mobility, Handover, Networks, Security
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésHandoverComputer networkComputer scienceMobile IPAccess networkMobile computingInternet ProtocolMobile deviceCellular networkIMT AdvancedIP tunnelThe InternetMobile technologyMobile Web

Résumé

récupéré en direct d'OpenAlex

The popularity and development of wireless devices has led to a demand for widespread high-speed Internet access, including access for vehicles and other modes of high-speed transportation. The current widely deployed method for providing Internet Protocol (IP) services to mobile devices is the mobile IP. This includes a handover process for a mobile device to maintain its IP session while it switches between points of access. However, the mobile IP handover causes performance degradation due to its disruptive latency and high packet drop rate. This is largely problematic for vehicles, as they will be forced to transition between access points more frequently due to their higher speeds and frequent topological changes in vehicular networks. In this article, we discuss the different mobile IP handover solutions found within related literature and their potential for resolving issues pertinent to vehicular networks. First, we provide an overview of the mobile IP handover and its problematic components. This is followed by categorization and comparison between different mobile IP handover solutions, with an analysis of their benefits and drawbacks.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,004

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 Opus0,074
Tête enseignante GPT0,340
Écart entre enseignants0,266 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACM Computing SurveysMême sujetIPv6, Mobility, Handover, Networks, SecurityTravaux en français237 207