A Survey of Applying Reinforcement Learning Techniques to Multicast Routing
Notice bibliographique
Résumé
Multicast routing refers to the transmission of packets to a group of nodes identified by a single multicast group address. It plays a critical role in supporting applications that require group communication such as video conferencing and file distribution. One particularly challenging environment for multicast routing is Mobile Ad-hoc Networks (MANETs). The major problems facing routing in such networks are node mobility, frequently changing topology, unstable wireless links, and limited transmission range. Despite these challenges, several multicast applications like data base initialization and file distribution applications require reliable and efficient delivery of data. Various approaches have been proposed for MANET multicasting, but either suffer from low Packet Delivery Ratio (PDR) or high overhead and lack of scalability. In addition, reliable multicasting requires re-transmission of lost packets, which increases protocol overhead. Recently, Reinforcement Learning (RL) techniques have been successfully used in unicast routing to provide adaptive routing schemes. RL allows wireless nodes to make efficient routing decisions based on interaction with the environment while reducing the routing overhead compared to traditional routing approaches. In this paper, we investigate whether the same results hold when applying RL to multicasting in MANETs. We aim for two main performance criteria: ensuring 100% data delivery while at the same time reducing the total number of packets transmitted over the network. Based on these metrics, we evaluate existing RL-based multicast routing techniques and suggest promising approaches for reliable and efficient multicast routing protocols.
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 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 | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».