MétaCan
Menu
Retour à la cohorte
Enregistrement W4313643684 · doi:10.1109/icjece.2022.3210237

On the Packet Decoding Delay of Linear Network Coded Wireless Broadcast Sur le délai de décodage des paquets de la diffusion sans fil codée par réseau linéaire

2023· article· fr· W4313643684 sur OpenAlexvenueno aff
Mingchao Yu, Alex Sprintson, Parastoo Sadeghi

Notice bibliographique

RevueCanadian Journal of Electrical and Computer Engineering · 2023
Typearticle
Languefr
DomaineComputer Science
ThématiqueCooperative Communication and Network Coding
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNetwork packetDecoding methodsThroughputComputer scienceAlgorithmLinear network codingUnicastMathematicsComputer networkWirelessTelecommunications

Résumé

récupéré en direct d'OpenAlex

We apply linear network coding (LNC) to broadcast a block of data packets from one sender to a set of receivers via lossy wireless channels, assuming that each receiver already possesses a subset of these packets (through previous systematic transmissions) and wants the rest. We aim to characterize the average packet decoding delay (APDD), which reflects how soon each data packet can be decoded by each receiver on average, and to minimize it without sacrificing throughput. To this end, we first derive closed-form lower bounds on the expected APDD of LNC techniques. We then prove that determining whether these lower bounds are tight is NP-hard and so is APDD minimization. We then prove that every throughput-optimal LNC technique can approximate the minimum expected APDD with a ratio between 4/3 and 2 and that this ratio is exactly 2 for random LNC (RLNC). We also show that instantly decodable network coding (IDNC) techniques cannot approximate APDD due to suboptimal throughput. Finally, we propose hypergraphic LNC (HLNC), a novel throughput-optimal and APDD-approximating technique based on a hypergraphic model of receivers. Our simulations show that the APDD of HLNC significantly outperforms existing techniques, including RLNC, under all considered settings without any sacrifice on throughput. Résumé—Nous appliquons le codage linéaire de réseau (LNC) pour diffuser un bloc de paquets de données d’un émetteur à un ensemble de récepteurs via des canaux sans fil avec pertes, en supposant que chaque récepteur possède déjà un sous-ensemble de ces paquets (par des transmissions systématiques précédentes) et veut le reste. Nous cherchons à caractériser le délai moyen de décodage des paquets (APDD), qui reflète la rapidité avec laquelle chaque paquet de données peut être décodé par chaque récepteur en moyenne, et à le minimiser sans sacrifier le débit. À cette fin, nous dérivons d’abord des limites inférieures en forme fermée sur l’APDD attendu des techniques LNC. Nous prouvons ensuite déterminer si ces limites inférieures sont serrées, NP-hard et que la minimisation de l’APDD l’est aussi. Nous prouvons ensuite que chaque technique LNC optimale en termes de débit peut approximer l’APDD minimum attendu avec un rapport entre 4/3 et 2 et que ce rapport est exactement 2 pour les LNC aléatoires (RLNC). Nous montrons également que les techniques de codage de réseau instantanément décodable (IDNC) ne peuvent pas approximer l’APDD en raison d’un débit sous-optimal. Enfin, nous proposons le LNC hypergraphique (HLNC), une nouvelle technique d’optimisation du débit et d’approximation de l’APDD basée sur un modèle hypergraphique des récepteurs. Nos simulations montrent que l’APDD de HLNC surpasse de manière significative les techniques existantes, y compris RLNC, dans tous les paramètres considérés sans aucun sacrifice sur le débit.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,543
Score d'incertitude au seuil0,836

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,231
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Electrical and Computer EngineeringMême sujetCooperative Communication and Network CodingTravaux en français237 207