Device‐centric communication in IoT: An energy efficiency perspective
Notice bibliographique
Résumé
Abstract Emerging device‐centric communication technologies such as device‐to‐device (D2D) communication, devices‐to‐device (Ds2D) communication, and multi‐homing (MH) D2D have been considered as essential parts of future fifth‐generation networks as well as Internet of Things (IoT). The device‐centric communication offers enhanced cellular data rates, high spectral efficiency, reduced latency, improved fairness, better energy efficiency, and extended coverage; however, the battery life of end devices is crucial to fully reap the benefits of this technology. In this article, a new method for device‐centric communication in IoT system is introduced, where multiple source IoT devices (SIDs) can send data to multiple destination IoT devices (DIDs) using multiple radio resource blocks. This method is called devices‐to‐devices (Ds2Ds) communication. The objective is to select the optimal SIDs, DIDs, and radio resource blocks such that the total energy efficiency for all DIDs is maximized. A tree search algorithm is proposed to select the optimal SIDs, DIDs, and radio resource blocks. Extensive simulations have been carried out to compare energy efficiency per SID/DID for Ds2Ds, Ds2D, and MH‐D2D. The simulation results show the superiority of Ds2Ds over Ds2D in terms of energy efficiency, which, in turn, implies better throughput. Furthermore, Ds2Ds is superior to MH‐D2D in terms of energy consumption per source device, a very good and promising requirement for green communication.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».