Survey on Social-Aware Data Dissemination Over Mobile Wireless Networks
Notice bibliographique
Résumé
Data dissemination finds a wide range of appealing applications in disaster alert, event notification, and content distribution. In particular, with the evolution of mobile networks and the popularity of online social networks, mobile social networks (MSNs) offer a promising paradigm to facilitate data dissemination. Traditional data dissemination approaches focus on how to leverage the resources in the physical networks, such as opportunistic contacts in delay tolerant networks and opportunistic networks, or the infrastructure in the cellular networks. In contrast, social-aware data dissemination approaches also exploit the valuable information from the social networks and take into consideration the complex requirements of human users. A systematic review of the existing approaches for data dissemination can provide insightful information and motivate more in-depth studies in this area. In this paper, we first review some traditional approaches as a basis for comparison. Then, we introduce some fundamental background on MSNs, device-to-device (D2D) communication, game theory, and matching theory, which have been used in existing studies on social-aware data dissemination. The technical and mathematical information is helpful for readers to follow our discussions in the main body of this paper, which surveys many social-aware approaches in the literature. We group our discussions based on the theoretical models for various problems in data dissemination. Also, we separate the problems, initial source selection and incentive design, from others to emphasize their importance. In the end, we highlight some interesting research directions for future study on data dissemination.
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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,006 | 0,001 |
| 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 ».