Realistic Vertical Handoff Predictive Trigger Thresholding in Heterogeneous Networks
Notice bibliographique
Résumé
The contemporary wireless networks exhibit heterogeneity, i.e., different types of wireless networks co-exist and fulfill the user's needs. Users amongst the available networks prefer the Wi-Fi and 4G networks. Wi-Fi is a choice for homes and offices for limited coverage and high data rate. While for outdoor, 4G is a better choice due to broader coverage and reasonably better average data rates. As user mobility is high nowadays, smooth session transfer is essential amongst such heterogeneous networks to provide seamless connectivity with the best QoS. Currently, video real-time application traffic is in high demand. This paper investigates the heterogeneous /vertical handover performance for realistic traffic and terminal speeds based on the MIH framework. The MIH is IEEE 802.21 standard to maintain the service continuity amongst heterogeneous networks. The primary focus of this paper is to derive the thresholds for speeds and the link layer predictive triggers. These thresholds are helpful in the design of the algorithms to enhance the QoS and user experience. Further, to understand the limitations of the said standard for a given scenario. The packet loss ratio and handover latency are the QoS parameters. The detailed simulations are carried out in NS-2 by considering a realistic scenario of terminal speeds and application traffic (MPEG-4, H.261, and HDTV). The networks chosen for the analysis are Wi-Fi and 4G. The packet loss ratio and handover latency are considered QoS parameters. For the accuracy of results, simulation time is varied as per the user's speed. We derived predictive trigger and speed thresholds critically examined for the given application traffic.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».