Interference‐aware clustering approach improving QoS for linear WSNs using a token‐based MAC protocol
Notice bibliographique
Résumé
Summary Wireless sensor networks (WSNs) have received a lot of attention from both academia and industry due to the increasing need for ubiquitous computing for monitoring applications, the continuous advances in miniaturization of electronic devices, and the ultra‐low‐power wireless technologies. These innovations in technology have driven the curiosity to use sensor networks in a new kind of applications such as road track or railway monitoring, border monitoring, oil and gas, or even water pipeline monitoring. Due to the underlying linear topology of these applications, a new type of network, called a linear sensor network (LSN), has emerged. Because of the specific characteristics of this application and the resource constraints of sensors, some of the major challenges faced in LSNs are to reduce end‐to‐end delays, to maximize the packet delivery ratio to a sink, and an even distribution of the load between nodes. To achieve these objectives, it is necessary to control node‐to‐node packet traffic conditions and to manage radio interference created by simultaneously active nodes. This paper addresses these challenges and proposes a new method of clustering LSNs that reduces or controls radio interference risks in order to satisfy these objectives, application needs, and the resource limitations of sensor nodes in the best possible way. This method is applied for LSNs using a token‐passing mechanism to access the medium. The performance evaluation is conducted by using a realistic propagation model in the analytical evaluation and also a NS‐2 simulation process.
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 | 0,001 |
| Science ouverte | 0,003 | 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 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 ».