Energy Efficient Routing Algorithm for WSN-IoT Network
Notice bibliographique
Résumé
In various domains, to enable reaction and detection of anomalies IoT (Internet of Things) have infrastructure in which significant sensory data gathering method is important because IoT nodes has limited computational capacity and energy.Range rather than sensory data accurate value which is fascinating to domain applications, range is expressed as sensory data category.Redundancy of data is discouraged by the routing algorithm and current data transfer, which decreases energy, bandwidth and memory usage.Between energy consumption and security level, there is tradeoff.Security level is nothing but it is intensive computational operations.For Secure transmission of data and to minimize consumption of energy in IoT-WSN networks, this paper proposes Spanning Tree Based Flooding Mechanism with Cooperative Game Theory (STBFM-CGT) method for efficient data transmission.To minimize consumption of energy in IoT-WSN networks, this paper proposes Spanning Tree Based Flooding Mechanism with Cooperative Game Theory (STBFM-CGT) method for efficient data transmission.For synchronization purpose, sensory data of IoT is routed and predicted through data prediction model in cloud.When compared with state-of-art method by considering packet delivery ratio (PDR), network lifetime, throughput and energy consumption, this method achieves better results.As a result, proposed method achieves 23.8% energy consumption, 53.2% network lifetime, 75.4% of PDR and 76.6% of throughput.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».