A Centralized Clustering Based Hybrid Vehicular Networking Architecture for Safety Data Delivery
Notice bibliographique
Résumé
Clustering has been extensively used in Vehicular Ad- hoc NETworks (VANETs) for routing optimization and radio resource management, and continues to be considered to facilitate data dissemination in heterogeneous vehicular networks with the ever- increasing data traffic demands. Most of the existing clustering mechanisms in VANETs operate in a distributed mode. However, there is redundant control overhead and transmission decisions, such as cluster maintenance, parameter tuning and forwarding scheduling, which are costly in distributed modes. In this paper, a centralized clustering based hybrid vehicular networking architecture (CC-HVNA) is proposed, in which the collaborative control between IEEE 802.11p and LTE is realized to achieve clustering and to coordinate message delivery. In CC-HVNA, a volatile node state SN is set to reflect ever-changing network topology and to update clusters. Location-based Vehicle to Infrastructure (V2I) communications are utilized to gather regional information so as to perform centralized clusters partition and maintain cluster info table in infrastructures. We leverage a control center to integrate cluster info from the Evolved Node (eNodeB) and Road Side Units (RSUs). Owing to the possession of global cluster info, cluster changes can be detected and targeted data dissemination can be supported according to content-oriented service. The performance evaluation demonstrates that the proposed CC-HVNA clustering scheme can achieve a significant improvement of safety 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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».