Network Size Estimation for LoRa-Based Direct-to-Satellite IoT
Notice bibliographique
Résumé
The emerging paradigm of Direct-to-Satellite Internet of Things (DtS-IoT) involves Earth surface nodes communicating directly with Low Earth Orbit (LEO) satellites, utilizing standard Low-Power Wide Area Networks (LPWAN) protocols. One of the core challenges faced in this paradigm is scaling the Medium Access Control (MAC) from a limited number of nodes to potentially thousands within the satellite’s coverage area. To address this issue, medium access control schemes can utilize a priori information on the number of nodes the satellite will cover along its orbit. However, developing technically viable solutions for network size estimation that are both precise and accurate remains an open research challenge. This work presents the implementation, parameter selection, and evaluation of the first LoRa/LoRaWAN-compatible network size estimation protocol that leverages the onboard Optimistic Collision Information (OCI) estimator. Our solution, LoRa-OCI (L-OCI), was integrated into FLoRaSat, a C++ discrete-event DtS-IoT simulator that integrates realistic orbital and LoRa/LoRaWAN communication models. Through an extensive simulation campaign, we can determine appropriate LoRa configurations to achieve low root mean square error (RMSE) and low power consumption. Additionally, our results indicate that the approach is relatively insensitive to LoRa parameters when assessing the aggregated throughput of a Slotted ALOHA Game (SAG) protocol throttled by L-OCI.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».