Throughput, Coverage and Scalability of LoRa LPWAN for 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
LoRa is a leading Low-Power Wide-Area Network (LPWAN) technology for Internet of Things (IoT). While LoRa networks are rapidly being deployed around the world, it is important to understand the capabilities and limitations of this technology in terms of its throughput, coverage and scalability. Using a combination of real-world measurements and high fidelity simulations, this paper aims at characterizing the performance of LoRa. Specifically, we present and analyze measurement data collected from a city-wide LoRa deployment in order to characterize the throughput and coverage of LoRa. Moreover, using a custom-built simulator tuned based on our measurement data, we present extensive simulation results in order to characterize the scalability of LoRa under a variety of traffic and network settings. Our measurement results show that as few as three gateways are sufficient to cover a dense urban area within an approximately 15 Km radius. Also, a single gateway can support as many as 10 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">5</sup> end devices, each sending 50 bytes of data every hour with negligible packet drops. On the negative side, while a throughput of up to 5.5 Kbps can be achieved over a single 125 KHz channel at the physical layer, the throughput achieved at the application layer is substantially lower, less than 1 Kbps, due to the network protocols overhead.
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