Distributed Stable Global Broadcasting for SINR-Based Multi-Channel Wireless Multi-Hop Networks
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
Recently, the problem of Stable Global Broadcasting (SGB) with continuous packet injections at a source node has attracted considerable attention and much work has been carried out. However, existing SGB algorithms are all centralized and under the graph-based interference model. How to achieve efficient distributed SGB under the more realistic Signal-to-Interference-plus-Noise-Ratio (SINR) interference model is still an open issue. In this paper, we focus on the design of distributed SGB algorithms for multi-channel wireless multi-hop networks under the SINR model. We first present an efficient Backbone-based Multi-channel Concurrent Scheduling (BMCS) strategy and prove an upper bound of $1/2$ packets/slot for the broadcast capacity (i.e., the maximum supportable packet injection rate for all possible SGB algorithms). By iterating the BMCS strategy in different ways, we present two distributed SGB algorithms, one for deterministic packet injection model corresponding to the broadcast capacity (called SGB-DPI) and another for stochastic packet injection model (called SGB-SPI). We prove that: 1) both SGB-DPI and SGB-SPI meet the queue stability and latency stability constraints for providing stable global broadcasting services, and 2) SGB-DPI is throughput-optimal. We evaluate the performance of our proposed algorithms through simulations. The simulation results validate our theoretical analysis and also show that even under the stochastic packet injection model, SGB-DPI has a comparable and even better throughput performance than SGB-SPI.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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