Rescue‐Sink: Dynamic sink augmentation for RPL in the Internet of Things
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
Abstract The Internet of Things (IoT) is largely built on the interconnection of low‐power networked devices, generally referred to as low‐power and lossy networks (LLNs). The prime routing protocol designed over IPv6, named routing protocol for LLNs (RPL), presents the main effort to standardize an IPv6‐based routing protocol for all LLNs. Routing protocol for LLNs has gained significant prominence in IoT research due to its flexibility in adapting to different topologies and could run in agnostic replicas over the same network to serve different applications. However, as RPL is based on virtualizing a tree topology, many challenges ensue in scaling with network traffic and diverse traffic patterns in the IoT. The current RPL standard focus on operation under a single sink, toward which all traffic flows, and thereby its survivability determines the lifetime of the IoT network. However, it mentions briefly in its RFC6550, the using of multiple roots. However, it does not study when, where, and how deploying multiple roots. In this paper, we propose a dynamic Rescue Sink protocol, which actively monitors the performance of IoT nodes in a given RPL network and introduces a dynamic mechanism for mitigating RPL performance by introducing new sinks when needed. We define a suffering index computed over intervals by RPL nodes in a decentralized approach, which monitors their tendency to yield high traffic load without inducing control overhead. Furthermore, our Rescue Sink protocol is designed in line with the RPL standard, and we elaborate on all the components to integrate with the standard. We present a thorough evaluation of our Sink Rescue protocol, using the Cooja simulator over the Contiki OS, most prevalently used in IoT devices. We demonstrate the performance improvements in terms of energy consumption and data delivery.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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