Performance Analysis of Random Access NOMA for Critical mIoT With Timer-Power Back-Off Strategy
Notice bibliographique
Résumé
Massive machine type communication (mMTC) and Internet-of-Things (IoT) networks provide global connectivity for massive number of end devices anytime-anywhere. The most challenging part in implementing such networks is the development of spectrum access strategies to provide ultra-reliable low-latency (URLL) transmissions for a large number of nodes with sporadic traffic behavior. Such networks have to deploy spectrum-efficient transmission schemes, and thus, non-orthogonal multiple-access (NOMA) is considered as a viable solution, that can be used to provide high number of URLL transmissions. We propose a random access NOMA transmission protocol (RA-NOMA) for IoT networks with large number of clustered IoT devices is proposed. The nodes in the proposed scheme adopt timer and power back-off strategies to transmit their short packets in a collision-free NOMA-based manner to achieve the URLL requirements. Closed-form expressions for network metrics, namely, delay violation probability, average packet latency, reliability, and effective sum rate (ESR) are analytically derived. Furthermore, the effect of blocklength, back-off timer (countdown value) and the number of active nodes on network metrics is explored. Additionally, the effect of the estimation error on the number of active nodes is analyzed and the impact of preamble transmit power on reliability in the presence of estimation error is investigated. Moreover, mathematical expressions for network metrics are also derived for NOMA-ALOHA with transmission diversity (NOMA-ALOHA-TD) in the underlying scenario, and the obtained results from NOMA-ALOHA-TD and the proposed RA-NOMA are compared.
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 | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».