Rate Adaptation in Delay-Sensitive and Energy-Constrained Large-Scale IoT Networks
Notice bibliographique
Résumé
Feedback transmissions are used to acknowledge correct packet reception, trigger erroneous packet re-transmissions, and adapt transmission parameters (e.g., rate and power). Despite the feedback paramount role in establishing reliable communication links, the majority of the literature overlooks its impact by assuming genie-aided systems with flawless and instantaneous feedback. However, this idealistic assumption is no longer valid for large-scale Internet of Things (IoT) networks, characterized by energy-constrained devices, susceptible to interference, and serving delay-sensitive applications. Furthermore, feedback-free operation is necessitated for IoT receivers with stringent energy constraints. In this context, this paper explicitly accounts for the impact of feedback in energy-constrained delay-sensitive large-scale IoT networks. We consider a time-slotted system with closed-loop and open-loop rate adaptation schemes, where packets are fragmented to operate at a reliable transmission rate satisfying packet delivery deadlines. In the closed-loop scheme, the delivery of each fragment is acknowledged through an error-prone feedback channel. The open-loop scheme has no feedback mechanism, and hence, a predetermined fragment repetition strategy is employed to improve transmission reliability. Using stochastic geometry and queueing theory, we develop a novel spatiotemporal framework for both schemes to quantify the impact of feedback on network performance in terms of transmission reliability, latency, and energy consumption.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».