Application-Oriented Traffic Modeling of WiFi-Based Internet of Things Gateways
Notice bibliographique
Résumé
Many Internet of Things (IoT) devices generate relatively small-sized data and have limited energy supply. These two factors limit their ability to connect directly to cloud servers through a wireless backbone network without imposing a burden on this network in providing efficient data transfer. In this article, we consider an IoT network architecture where a number of different IoT devices send their data wirelessly to an IoT gateway (or a fog node) via a WiFi network. We focus on characterizing incoming traffic patterns to the gateway for three typical IoT applications with real-time and nonreal-time data transfer requirements, such as video surveillance, smart city, and e-healthcare. Our study is based on generating real IoT traffic traces in a lab environment from various sensors and devices for the aforementioned applications and employing these traces to emulate a network of IoT nodes connected to a gateway via WiFi. In the conducted experiments, different homogenous and nonhomogeneous traffic patterns of the selected applications are examined for synchronized and unsynchronized data sources. Based on our empirical data, the experimental results reveal that the packet interarrival time distribution at the gateway is close to generalized Pareto distribution for homogeneous eHealth and smart city traffic, whereas the Weibull distribution is the nearest to model the empirical packet interarrival time for the rest of the examined traffic patterns. Moreover, we show that employing the experimental findings to analyze the delay performance of connecting the gateway to the cloud, given certain backbone network resources, leads to accurate results.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| 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 ».