MétaCan
Menu
Retour à la cohorte
Enregistrement W2786118779 · doi:10.1109/jcn.2017.000094

Software defined multihop wireless networks: Promises and challenges

2017· article· en· W2786118779 sur OpenAlexaff
Afsane Zahmatkesh, Thomas Kunz

Notice bibliographique

RevueJournal of Communications and Networks · 2017
Typearticle
Langueen
DomaineComputer Science
ThématiqueSoftware-Defined Networks and 5G
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSoftware-defined networkingComputer networkWireless networkDistributed computingNode (physics)Forwarding planeNetwork topologyWirelessTelecommunications

Résumé

récupéré en direct d'OpenAlex

In multihop wireless networks (MWNs), wireless nodes can communicate with each other through intermediate nodes without the help of any infrastructure. Therefore, wireless nodes are responsible for organizing and configuring the network, and the management of the network is distributed between the nodes. Consequently, it is difficult to overcome the existing challenges such as node mobility and dynamic topology changes, energy constraints, etc. Software defined networking (SDN) is a promising solution, which decouples the control plane and the data plane to overcome the challenges of traditional networks. In the SDN concept, a logically centralized controller makes routing decisions based on the global view of the network and the requirements of applications, and then programs the network. Therefore, it helps to optimize resource allocation and improve the network performance. In this paper, we consider the benefits and the various aspects of applying the SDN concept in MWNs (SDMWN). We first introduce MWNs, existing challenges and the motivation for applying SDN to such networks. Then, after explaining the SDN concept, we review the related work in SDMWN. Finally, we discuss the challenges in applying SDN and future research directions in this area.

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)0,005
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,003
Communication savante0,0030,014
Science ouverte0,0020,002
Intégrité de la recherche0,0030,007
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,054
Tête enseignante GPT0,276
Écart entre enseignants0,222 · 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'étudeThéorique ou conceptuel
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

Citations26
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Communications and NetworksMême sujetSoftware-Defined Networks and 5GTravaux en français237 207