MétaCan
Menu
Retour à la cohorte
Enregistrement W4317418893 · doi:10.1109/vtc2022-fall57202.2022.10012731

Situation-Aware Hybrid Time Synchronization Based on Multi-Source Timestamping Uncertainty Modeling

2022· article· en· W4317418893 sur OpenAlexaff
Haide Wang, Pengyi Jia, Xianbin Wang

Notice bibliographique

Revue2022 IEEE 96th Vehicular Technology Conference (VTC2022-Fall) · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueNetwork Time Synchronization Technologies
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSynchronization (alternating current)Data synchronizationRedundancy (engineering)Distributed computingTime synchronizationReal-time computingProcess (computing)Scheme (mathematics)Computer networkChannel (broadcasting)Operating system

Résumé

récupéré en direct d'OpenAlex

Timestamping accuracy is of the utmost importance to achieve accurate time synchronization of large-scale connected systems. However, the heterogeneity and complexity inherent to Internet of Things (IoT) systems lead to multi-source timestamping uncertainties and significantly deteriorate performance of traditional inflexible synchronization methods. In this paper, a situation-aware hybrid time synchronization protocol is designed based on multi-source timestamping uncertainty modeling and integrated time information exchange mechanism for heterogeneous IoT systems. More specifically, the multi-source timestamping error inherent to the overall synchronization process are accurately modeled by exploring the impact of the multi-faceted operating conditions. By analyzing the real-time timestamping uncertainties, a hybrid time synchronization scheme is actualized, which can achieve optimal synchronization strategy for clock parameters estimation. In addition, an integrated time information exchange mechanism is designed to reduce timestamping redundancy during time synchronization. Simulation results show that the proposed scheme can enhance the synchronization accuracy for heterogeneous operating scenarios.

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)0,002
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 enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,014
Tête enseignante GPT0,225
Écart entre enseignants0,210 · 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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 IEEE 96th Vehicular Technology Conference (VTC2022-Fall)Même sujetNetwork Time Synchronization TechnologiesTravaux en français237 207