Design and Analysis of Uplink Transmission Performance Enhancement Methods for Data Collection in Internet-of-Things Networks
Notice bibliographique
Résumé
With the increasing demands for the services provided by the Internet-of-Things (IoT) networks, tremendous efforts have been dedicated to enhance the performance of machine-to-machine (M2M) communications. However, due to the limited spectrum resources available for IoT networks, the uplink transmissions that are commonly used for data collection suffer performance degradation when the traffic load increases. To improve the uplink network performance under high traffic load, we propose new enhancement methods for the IoT networks with both single-hop and multi-hop configurations.Specifically, for single-hop networks, this thesis addresses three research objectives. First, successive interference cancellation (SIC) is implemented on top of the pure Aloha (PA) medium access control (MAC) mechanism. The problem is to perform the SIC under an unsynchronized packet transmission framework, and without introducing extra signaling overhead. To this end, a window-based SIC algorithm is presented for the network’s single gateway (GW). Second, in order to evaluate the performance of the SIC-based PA, a throughput model is developed and analyzed to study both the throughput and the packet delivery ratio (PDR) performance metrics. Third, the problem of enabling the SIC-based PA in an IoT network with multiple GWs is solved. The SIC algorithm for PA is redesigned to accommodate single-hop multi-GW networks. A throughput model is also proposed for the newly designed PA-based SIC in multi-GW networks. For the multi-hop IoT networks, the main research objective in this thesis is to allocate proper bandwidth for the nodes in the mesh networks. As a solution, a new distributed bandwidth allocation algorithm is designed. The proposed new design significantly improves the mesh network’s uplink transmission performance at high traffic load. Meanwhile, the new algorithm does not require the configuration of the hysteresis quantum, which makes it more practical than the current state-of-the-art distributed bandwidth allocation algorithms. The performance evaluation results obtained for both the single-hop and multi-hop IoT networks indicate that the proposed enhancement methods can significantly improve the uplink PDR, throughput, and latency for high traffic load scenarios.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Méthodes Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Simulation ou modélisation | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Méthodes Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | high |
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».