MétaCan
Menu
Retour à la cohorte
Enregistrement W3200381634 · doi:10.1109/tcomm.2021.3111615

Performance Analysis of Minimum Hop Count-Based Routing Techniques in Millimeter Wave Networks: A Stochastic Geometry Approach

2021· article· en· W3200381634 sur OpenAlexafffund
Mohamed Ibrahim, Walaa Hamouda

Notice bibliographique

RevueIEEE Transactions on Communications · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueMillimeter-Wave Propagation and Modeling
Établissements canadiensConcordia University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésStochastic geometryRelayComputer scienceHop (telecommunications)Extremely high frequencyProbability distributionComputer networkElectronic engineeringMillimeterSpectral efficiencyTopology (electrical circuits)AlgorithmMathematicsTelecommunicationsEngineeringElectrical engineeringStatisticsPhysicsOptics

Résumé

récupéré en direct d'OpenAlex

Operating beyond-5G networks at the millimeter wave (mmWave) band imposes technological challenges while offering great opportunities. The nature of millimeter waves renders the communication quality susceptible due to blockage caused by obstacles. Hence, multi-hop relaying is likely to play a significant role in improving the performance of mmWave networks. In this paper, we investigate the performance of two appropriate routing techniques for mmWave networks, namely minimum hop count (MHC) and nearest LoS relay to the destination with MHC (NLR-MHC). Analytical models are provided to evaluate the performance of the two routing techniques using tools from stochastic geometry. We model the distribution of hop count using phase-type distribution, and then we use this distribution to derive analytical results for the coverage probability and spectral efficiency. Results reveal the significant impact of densities of relays and blockages on the performance of the aforementioned routing techniques in-terms of spectral efficiency, connectivity probability, and average hop count. It is also demonstrated that NLR-MHC achieves a superior coverage probability and spectral efficiency compared to MHC. However, MHC provides better performance in-terms of connectivity probability and average hop count.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,906
Score d'incertitude au seuil0,788

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,248
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on CommunicationsMême sujetMillimeter-Wave Propagation and ModelingTravaux en français237 207