ShuttleBus: Dense Packet Assembling With QUIC Stream Multiplexing for Massive IoT
Notice bibliographique
Résumé
In this paper, we investigate dense short packet forwarding for clustering-based massive Internet-of-Things (mIoT). The objective is to support the data forwarding with minimal communication overhead while satisfying the differentiated latency constraints from the transport layer perspective. To this end, we propose a dense packet assembling scheme, named ShuttleBus, for forwarding devices in mIoT to achieve effective data merging. The assembling scheme is designed based on the stream multiplexing mechanism of the Quick UDP Internet Connection (QUIC) protocol. With ShuttleBus, the payload data sent from IoT devices are extracted as independent frames belonging to different data streams. The ShuttleBus can bundle data frames from multiple streams into a single packet while ensuring data integrity of these streams. Furthermore, we develop a resilient packing mechanism in packet assembling to merge data received from IoT devices within a cluster. In addition, a latency-oriented scheduling mechanism for backlogged QUIC data is established to guarantee satisfactory delivery of diverse transmission tasks. To accommodate the dynamic network environment, we tailor a learning-based algorithm to determine the optimal packet assembling time adaptively. We evaluate the performance of ShuttleBus under various network load conditions. Both analytical and experimental results demonstrate that the proposed scheme significantly reduces communication overhead and enhances data delivery performance under stringent latency constraints.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».