Throughput Optimization With Delay Guarantee for Massive Random Access of M2M Communications in Industrial IoT
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
The machine-to-machine (M2M) communication is an emerging technology that is widely utilized in a vast number of industrial Internet-of-Things (IIoT) applications. Due to the diversity of IIoT applications, provisioning of heterogeneous delay requirements of delay-sensitive machine type devices (MTDs) while optimizing the access efficiency of delay-tolerate MTDs becomes a critical challenge for M2M communications. To address this issue, a multigroup analytical framework for massive random access of M2M communications in IIoT is proposed in this article. Specifically, we consider delay-sensitive MTDs and delay-tolerate MTDs coexist in the network, and those MTDs are divided into multiple groups according to their delay requirements. The access behavior of each MTD is characterized by a double-queue model. Based on this model, the throughput and the mean access delay of each group are characterized. It is found that for each group, the mean access delay decreases as the throughput increases and is minimized when the throughput is maximized. To achieve the maximum throughput of delay-tolerate MTDs under delay constraints of delay-sensitive MTDs, the backoff parameters of delay-sensitive MTDs should be tuned according to the delay constraints while that of delay-tolerate MTDs should be tuned further according to the aggregate packet arrival rate and the number of MTDs in each group. It is further demonstrated that the optimal tuning of backoff parameters is robust against the burstiness of input traffic. The analysis sheds important light on the access design of M2M communications in IIoT with delay constraints.
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 | 0,001 | 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