MétaCan
Menu
Retour à la cohorte
Enregistrement W2921604842 · doi:10.22215/etd/2018-13482

A Comparative Analysis between Centralized Routing and Distributed Routing in Multi-Hop Wireless Networks

2018· dissertation· en· W2921604842 sur OpenAlexaff
Oluwasegun Hassan

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineComputer Science
ThématiqueSoftware-Defined Networks and 5G
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésComputer networkComputer scienceEmulationSoftware-defined networkingWireless networkDynamic Source RoutingPolicy-based routingDistributed computingHierarchical routingLink-state routing protocolWireless Routing ProtocolRouting protocolStatic routingWirelessRouting (electronic design automation)Telecommunications

Résumé

récupéré en direct d'OpenAlex

A growing desire for granular network control, automation, virtualization and much more, has contributed to the emergence of Software Defined Networking (SDN) as a prominent research area.Though originally developed for wired networks, benefits of the centralized routing approach are now being leveraged for wireless network applications.These include SDN-based Multi-hop Wireless Networks (MWNs), as potential alternatives to traditional MWNs.This thesis presents a Software Defined Multi-hop Wireless Network (SDMWN) solution, with standard centralized routing characteristics and full mobility capabilities, evaluated against distributed routing in an equivalent traditional MWN architecture.Our emulation results, obtained with Mininet-WiFi, demonstrate a good degree of potential for SDMWN when operating under controlled (mobile) network conditions.By guaranteeing the availability of potential links between every node, SDMWN outperforms the traditional MWN, by about 15% and 65 ms, for Ping Success Rate and Round-Trip Time respectively.However, this comes at a relatively high cost of 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.

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)0,003
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,305
Écart entre enseignants0,272 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSoftware-Defined Networks and 5GTravaux en français237 207