Leveraging Energy, Latency, and Robustness for Routing Path Selection in Internet of Battlefield Things
Notice bibliographique
Résumé
Internet of Battlefield Things (IoBT) connects massive tactical devices to collect battlefield situations and share perceived information. The IoBT can enhance the intelligent battlefield command, collaborative attack, and other applications, such as landmine trigger and post-war clearance. Existing routing path selection methods designed for wireless sensor networks (WSNs) are effective but still face challenges in IoBT scenarios. First, tactical devices follow nonuniform distributions with high density on boundaries in IoBT to prevent the location of devices from being speculated and protect strategic positions, which results in unbalanced energy consumption. Second, increasing latency in IoBT is caused by various data generation probabilities of tactical devices. Third, the military task features, such as landmine explosion, disconnection, and failure of tactical devices, may put forward special requirements on network robustness. To this end, we propose a routing path selection method with joint optimization in IoBT based on nonuniform node distributions and location-related data generation probabilities. Specifically, we first investigate and formulate the distribution and data generation probability of tactical devices. Based on the special features, energy consumption, latency, and network robustness are analyzed during multihop communications in IoBT. Then, a joint optimization problem is formulated to minimize energy consumption and latency, while maximizing the network robustness simultaneously. Furthermore, two path assignment algorithms are developed to solve this optimization problem. Finally, our simulation results show that the proposed routing path selection method can reduce energy consumption and latency with the guaranteed robustness of IoBT.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».