MétaCan
Menu
Retour à la cohorte
Enregistrement W4315606013 · doi:10.1109/globecom48099.2022.10001247

Scheduler Design for Mobility-aware Multipath QUIC

2022· article· en· W4315606013 sur OpenAlexaff
Wenjun Yang, Lin Cai, Shengjie Shu, Jianping Pan

Notice bibliographique

RevueGLOBECOM 2022 - 2022 IEEE Global Communications Conference · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueWireless Networks and Protocols
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésGoodputMultihomingComputer scienceComputer networkMobility modelMultipath propagationNetwork packetMultipath TCPScheduling (production processes)Mobility managementDistributed computingWirelessThe InternetInternet ProtocolTelecommunicationsThroughputChannel (broadcasting)

Résumé

récupéré en direct d'OpenAlex

Multi-homing technologies are promising to support seamless user mobility, as a mobile device can use multiple access links and paths for non-interrupted transmissions. Scheduling packets across multiple paths, however, has the known issue of out-of-order (OFO) due to the heterogeneity of the paths. Mobility poses new challenges due to time-varying link quality and capacity. In this paper, we present a novel Mobility-aware Multipath Quick UDP Internet Connections (MMQUIC) framework which enables collaboration between the link and transport layer. Based on MMQUIC, we develop a Mobility-Aware Multipath Scheduler (MAMS) for goodput enhancement, in which the impacts of mobility such as link outage errors and capacity variations are considered. Finally, we evaluate the performance of MAMS using network simulator 3 (ns-3). Simulation results demonstrate that our design has substantial performance gains with respect to the goodput and packet delay distribution in dynamic wireless systems.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,096
Tête enseignante GPT0,334
Écart entre enseignants0,238 · 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 source (Gemma direct ou Codex distillé), 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

Citations11
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGLOBECOM 2022 - 2022 IEEE Global Communications ConferenceMême sujetWireless Networks and ProtocolsTravaux en français237 207