A Centralized and Dynamic Network Congestion Classification Approach for Heterogeneous Vehicular Networks
Notice bibliographique
Résumé
Network congestion-related studies consist mainly of two parts: congestion detection and congestion control. Several researchers have proposed different mechanisms to control congestion and used channel loads or other factors to detect congestion. However, the number of studies concerning congestion detection and going beyond into congestion prediction is low. On this basis, we decide to propose a method for congestion prediction using supervised machine learning. In this paper, we propose a Naive Bayesian network congestion warning classification method for Heterogeneous Vehicular Networks (HetVNETs) using simulated data that can be locally applied in a fog device in a HetVNET. In addition, we propose a centralized and dynamic cloud-fog-based architecture for HetVNET. The Naive Bayesian network congestion warning classification method can be applied in this architecture. Support Vector Machine (SVM), K Nearest Neighbor (KNN) and Random Forest classifiers, which are popular methods in classification problems, are considered to generate congestion warning prediction models. Numerical results show that the proposed Naive Bayesian classifier is more reliable and stable and can accurately predict the data flow warning state in HetVNET. Moreover, based on the obtained simulation results, applying the proposed congestion classification approach can improve the network’s performance in terms of the packet loss ratio, average delay and average throughput, especially in the dense vehicular environments of HetVNET.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».