CCAIB: Congestion Control Based on Adaptive Integral Backstepping for Wireless Multi-Router Network
Notice bibliographique
Résumé
Wireless information collecting and processing terminals, such as cell phones, sensors and smart wearable devices, are expected to be deployed on a large scale in the future to promote the continuous advancement of the global information revolution. Since most of these terminals connect to each other using long-distance and high-speed networks by multiple routers and eventual access the internet, the application of mobile internet is gradually increasing and data traffic on the mobile internet is growing exponentially, from which arises congestion in wireless networks on multiple routers. This research solves the congestion problem for wireless networks with multiple bottleneck routers. First, the wireless network model is expanded to multi-router networks, which considers the interrelationships between connecting routers. Afterwards, a new Active Queue Management (AQM) method called Congestion Control Based on Adaptive Integral Backstepping (CCAIB) is designed to handle congestion in wireless networks. In CCAIB, an adaptive control method is used to estimate the packet loss ratios of wireless links and a controller is designed based on the estimation results through a backstepping procedure. It can be shown from the simulation results that the performance of CCAIB is better than the H∞ algorithm in queue length stability. Besides, the window size of CCAIB is 100 times that of the H∞ algorithm, and the proportion of packets marked as discarded when using CCAIB is about 0.1% of the H∞ algorithm. Moreover, CCAIB has satisfactory adaptability to network parameters such as wireless link capacity, propagation delay, wireless packet loss ratios, desired queue length and router location.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».