MétaCan
Menu
Retour à la cohorte
Enregistrement W4388079656 · doi:10.1109/jiot.2023.3328733

Contention With Collision Detection in Wireless Full-Duplex Networks

2023· article· en· W4388079656 sur OpenAlexaff
Qinglin Zhao, Tong Jin, Fangxin Xu, Lian Zhao, Li Feng, Yong Liang

Notice bibliographique

RevueIEEE Internet of Things Journal · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueFull-Duplex Wireless Communications
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesNational Key Research and Development Program of China
Mots-clésComputer scienceCollisionOverhead (engineering)Computer networkNode (physics)Duplex (building)Wireless networkHidden node problemWirelessChannel (broadcasting)Transmission (telecommunications)Collision detectionWi-Fi arrayTelecommunicationsComputer securityEngineering

Résumé

récupéré en direct d'OpenAlex

Conventional wireless networks are half-duplex and most of them use contention-based protocols. These protocols usually adopt a principle of contention with collision avoidance and infer a collision occurrence very late from the absence of an acknowledgment after data transmission, causing low network performance. Wireless full-duplex (FD) enables simultaneous transmission (TX) and reception (RX) on the same channel. Exploiting this functionality, this article proposes the first design that enables contention with collision detection (CCD) to improve the network performance. We call the proposed design FD-CCD. With FD-CCD, in contention, a node exploits the TX antenna to transmit a signal for channel contention, while exploiting the RX antenna to sense if other nodes are transmitting too. By checking the status of the TX and RX antennas, the node can detect the contention collision before data transmission and, hence, obtain an opportunity to avoid the data collision effectively. FD-CCD also supports priority-based contentions, is of very low contention overhead, and is compatible with conventional 802.11 networks. This article then develops a theoretical model to analyze the system performance and optimize protocol parameter settings. Extensive simulations verify the effectiveness of our design and the accuracy of our model. This study is very helpful in designing efficient FD protocols.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,073
Score d'incertitude au seuil0,586

Scores Codex et Gemma par catégorie

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

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 GPT0,224
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 tête enseignante, 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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Internet of Things JournalMême sujetFull-Duplex Wireless CommunicationsTravaux en français237 207