A Novel Mathematical Framework for Modeling Application-Specific IoT Traffic
Notice bibliographique
Résumé
Traffic modeling is a valuable tool for simulating traffic characteristics and assessing the effectiveness of new network mechanisms and protocol designs. The emergence of the Internet of Things (IoT) has led to a growing interest in IoT traffic modeling due to the unique characteristics of IoT traffic, such as sudden data bursts and application-dependent traffic characteristics. The focus of the literature has been on modeling the arrival distribution of IoT traffic. However, this approach fails to capture important characteristics of time-series traffic, such as IoT traffic behaviors and seasonality patterns. Such characteristics provide crucial insights for the effective management and optimization of IoT networks. By exploiting time-series characteristics, dynamic resource allocation mechanisms can be designed instead of resource provisioning for peak usage. Additionally, comprehending the traffic generation behavior of IoT sensors can provide insight into the energy consumption of the sensor layer, which has a multitude of uses. In this article, we present a novel IoT traffic modeling framework called the tiered Markov-modulated stochastic process (TMMSP). The TMMSP framework can produce application-specific IoT time-series traffic traces that mimic the behaviors, e.g., the temporal dynamics, of real IoT traffic. Our results illustrate the flexibility and capability of the TMMSP framework in modeling the traffic behaviors of three IoT applications, specifically, telehealth, asset monitoring, and building security applications. Finally, we illustrate how the TMMSP framework can be used to evaluate the performance of an autonomous edge slicing (AES) mechanism.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».