Cloud-Orchestrated Physical Topology Discovery of Large-Scale IoT Systems Using UAVs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Wireless sensor networks (WSNs) have been rapidly integrated into Internet of Things (IoT) systems, empowering rich and diverse applications such as large-scale environment monitoring. However, due to the random deployment of sensor nodes (SNs), physical topology of the WSNs cannot be controlled and typically remains unknown to the IoT cloud server. Therefore, in order to derive the physical topology at the cloud for effective real-time event detection, a cloud-orchestrated physical topology discovery scheme for large-scale IoT systems using unmanned aerial vehicles (UAVs) is proposed in this paper. More specifically, the large-scale monitoring area is first split into a number of subregions for UAV-enabled data collection. Within the subregions, parallel Metropolis-Hastings random walk (MHRW) is developed to gather the information of WSN nodes, including their IDs and neighbor tables. The collected information is then forwarded to the cloud through UAVs for the initial generation of logical topology. Thereafter, a network-wide 3-D localization algorithm is further developed based on the discovered logical topology and multidimensional scaling method (Topo-MDS), where the UAVs equipped with global positioning system are served as mobile anchors to locate the SNs. Simulation results indicate that the parallel MHRW improves both the efficiency and accuracy of logical topology discovery. In addition, the Topo-MDS algorithm dramatically improves the 3-D location accuracy, as compared to the existing algorithms in the literature.
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.
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 | 0,000 | 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 découle