Routing protocol for Low-Power and Lossy Networks for heterogeneous traffic network
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
Abstract In a real network deployment, the diverse sensor applications generate a heterogeneous traffic pattern which may include basic sensing measurements such as temperature readings or high-volume multimedia traffic. In a heterogeneous traffic network, the two standardized objective functions (OFs), i.e., objective function zero (OF0) and the Minimum Rank with Hysteresis Objective Function (MRHOF) for routing protocol for Low-Power and Lossy Networks (RPL) perform poor routing decisions by selecting an already congested parent node and cause more re-transmissions across the network. Therefore, careful consideration is required in designing a new OF for heterogeneous traffic scenarios. In this study, we examine the RPL protocol under a heterogeneous traffic pattern and proposed a new protocol based on queue and workload-based condition (QWL-RPL). The aim of the proposed protocol is to achieve a reliable path with better overall performance. The proposed OF model considers the link workload in addition to mapping the congestion status of the node using the packet queue. We implement the proposed routing model in the Contiki operating system (OS) Cooja environment to compare with the existing technique. The simulation results show that QWL-RPL can improve the performance of a heterogeneous traffic network as compared with both OF0 and MRHOF, specifically in terms of the amount of overhead, packets reception ratio (PRR), average delay, and jitter. Final results indicate that on average, there is a 5%–30% improvement in PRR, 25%–45% reduction in overheads, 12%–30% reduction in average delay, and 20%–40% reduction in jitter.
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 | 0,001 | 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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