Named Data Networking Enabled Power Saving Mode Design for WLAN
Notice bibliographique
Résumé
The energy consumption of wireless interface is critical to power-constrained mobile devices. To improve energy efficiency for WLAN stations, power saving mode (PSM) is proposed, to manage the time spent in idle listening (IL) state. The hurdle is that the receiver has no knowledge about when the pending data will arrive under end-to-end communication protocols (TCP/IP), making each station spend enormous time in IL to wait for the pending data. To overcome this limitation, in this paper, we propose a named data networking (NDN) enabled PSM, namely, NDN-PSM, which leverages NDN communication architecture to cut down unnecessary IL time. In particular, we devise two new power states in NDN-PSM, i.e., light doze and deep doze, to precisely map to the underlying data arriving states. The inherent receiver-driven pattern of NDN can effectively drive the stations to the deep doze state for power saving, and to light doze state for timely data reception. Considering the IL time waste during channel contention, we further design a channel contention control mechanism in NDN-PSM, in which stations will switch to the light doze state if the channel is perceived to be busy. The power consumption model of the proposed NDN-PSM is theoretically analyzed and verified via numerical results. At last, we implement NDN-PSM in NS-3 by adopting the ndnSIM module and conduct extensive simulations to demonstrate the efficacy of NDN-PSM. Specifically, compared to the existing PSM mechanism, NDN-PSM reduces 56% power consumption by cutting down unnecessary IL time, and meanwhile enables low-delay transmission.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».