Density-Based Clustering and Performance Enhancement of Aeronautical Ad Hoc Networks
Notice bibliographique
Résumé
In-Flight Entertainment and Connectivity (IFEC) is becoming a key trend and an essential need. A grand challenge is to provide in-flight connectivity in high altitudes, and particularly in isolated locations, such as the oceans, where establishing an air-to-ground link is not possible. Aeronautical Ad-Hoc Networking (AANET) intends to cope with this challenge by forming a network of airplanes having air-to-air (A2A) connections. However, the dynamic nature of such a network is likely to lead to unstable connections. The primary cause of the majority of these stability issues is known to be poor clustering of aircrafts. Consequently, concentrating on aircraft clustering and making them more stable can improve connection. This paper aims to unveil the benefits of density-based clustering to improve the AANET performance. To do so, the paper employs a multi-feature DBSCAN algorithm for the clustering problem that exploits several features of real flight datasets, including latitude, longitude, altitude, direction, and velocity. Instead of a typical distance metric such as Euclidean or Haversine, the technique produces a precomputed distance matrix and feeds it to DBSCAN. This method also includes a weighted scheme to reflect the relative importance of each component of the distance calculation. Simulations under OMNET++ by using real-time flight data point out that packet delivery ratio and end-to-end latency of the state of the art clustering-based AANET solutions can be improved by 40 % and 30 %, respectively. Furthermore, the proposed method achieves a 20% reduction in cluster changes and the number of clusters.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 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 ».