RPL Point-to-Point Communication Paths: Analysis and Enhancement
Notice bibliographique
Résumé
Routing protocol for low-power and lossy networks (RPL) is a standard routing protocol for the Internet of Things (IoT). In RPL, point-to-point (P2P) communication is gaining importance as many emerging IoT applications require efficient P2P communications. In this work, we study the quality of the RPL’s P2P paths. In particular, we analyze how much RPL’s P2P paths “stretch” compared to the shortest paths. We prove that the average stretch is a factor of at least two in any RPL network. That is, the RPL’s P2P path between two randomly selected nodes in any network is expected to be at least twice as long as the shortest path between the two nodes. Furthermore, we show that RPL’s stretch factor can be considerably higher than two in some network topology, including linear networks and grid networks. To improve the quality of RPL’s P2P paths, we propose a solution which is simple to implement and fully compatible with RPL. Moreover, our solution does not require nodes to store any routing table; this is important as nodes in LLNs are typically highly resource constrained. We evaluate our proposed solution using the Contiki-NG operating system and show that our proposed solution can significantly improve the quality of RPL’s P2P paths and their end-to-end-delays with a modest overhead. In addition, we evaluate our solution in dynamic networks and show that, when the network’s mobility is moderate, our solution generates nearly the same amount of overhead as RPL yet it achieves lower end-to-end delay and power consumption than RPL.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».