EWPS: Emergency Data Communication in the Internet of Medical Things
Notice bibliographique
Résumé
In this article, we explore the remote monitoring of patients in an on-demand service that can be implemented using the Internet of Medical Things (IoMT). Network congestion and delay are important issues that must be resolved to handle emergencies in IoMT. Backpressure scheduling is a well-known scheme to resolve network congestion and improve network throughput for emergency data packets. Traditional backpressure scheduling is known to categorize each packet and schedules emergency packets to be forwarded faster than regular packets. However, in large-scale networks, these scheduling algorithms find unnecessarily long paths. This leads to high end-to-end delay and decreases the performance of guaranteed delivery. To resolve these issues, this article proposes an event-aware priority scheduling algorithm for data packets. This model follows a single priority queue model to manage all packets and emergency packets have been identified by the threshold values. Also, a separate communication path has been identified as well to reduce the waiting time for each category of the packet. Meanwhile, to reduce delay in packet communication, a delay-efficient data aggregation tree is constructed, which is combined with the priority queue model. Our in-depth simulation results of the proposed model prove the novel contribution to reducing delay in emergency packet delivery and avoiding network congestion. Moreover, the proposed model is also compared with the existing state-of-the-art models to show its ability to outperform similar methodologies.
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 | 0,005 | 0,001 |
| 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 | 0,002 |
| Science ouverte | 0,009 | 0,002 |
| 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 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 ».