MétaCan
Menu
Retour à la cohorte
Enregistrement W2781398886 · doi:10.1504/ijssc.2017.10010065

A* search based next hop selection for routing in opportunistic networks

2017· article· en· W2781398886 sur OpenAlexaff
Sahil Gupta, Isaac Woungang, Satbir Jain, Satya Jyoti Borah, Pragya Kuchhal, Sanjay Kumar Dhurandher

Notice bibliographique

RevueInternational Journal of Space-Based and Situated Computing · 2017
Typearticle
Langueen
DomaineComputer Science
ThématiqueOpportunistic and Delay-Tolerant Networks
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésComputer networkComputer scienceGeographic routingRouting protocolHop (telecommunications)Node (physics)Routing (electronic design automation)Distributed computingDynamic Source RoutingBenchmark (surveying)Wireless Routing ProtocolGeographyEngineering

Résumé

récupéré en direct d'OpenAlex

Opportunistic network (oppnet) is one of the challenging fields of wireless network. It is an intermittently connected mobile network where nodes are mobile and no end-to-end path exists. Connectivity among nodes is established when they are within the transmission range of each other. If a node has message to communicate and no intermediate node is available, then the message is stored in the node's buffer till an appropriate communication opportunity arises which is known as store-carry-forward paradigm. This paradigm has given Oppnets a new direction in the field of research. In any network, efficient and effective routing is very crucial. In this paper, a novel routing technique has been proposed for Oppnets named as A* based opportunistic routing (A*OR) which uses the A* searching technique to select the best forwarders towards the destination. The proposed protocol is compared with prophet, PRoWait and EDR as a benchmark protocols and is found to perform 19%, 11% and 32% better than prophet, PRoWait and EDR, respectively in terms of delivery probability.

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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
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 Opus0,047
Tête enseignante GPT0,303
Écart entre enseignants0,256 · 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

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Space-Based and Situated ComputingMême sujetOpportunistic and Delay-Tolerant NetworksTravaux en français237 207