Multi-Gateway LoRaWAN Throughput Modeling in Direct-to-Satellite IoT Constellations
Notice bibliographique
Résumé
The emerging paradigm of Direct-to-Satellite Internet of Things (DtS-IoT) heralds a new era of global IoT connectivity unlocked by gateways in Low-Earth Orbit (LEO). Among the spectrum of technologies for achieving DtS-IoT, LoRaWAN, which relies on duty-cycled ALOHA channel access over unlicensed bands, emerges as a promising candidate. Lo-RaWAN's broad adoption in terrestrial IoT applications paves the way for a seamless Space-Terrestrial IoT integration. Lo-RaWAN distinctively allows multiple gateways to receive uplink packets simultaneously, an appealing feature for proliferated DtS-IoT constellations leveraging multiple satellites. However, existing theoretical throughput models for static multi-gateway LoRaWAN systems have not been evaluated in the more complex and dynamic satellite context. Our study addresses this gap by adapting, extending, and fine-tuning throughput models for the multi-gateway LEO DtS-IoT scenario. This approach will enable the rapid analysis of various LoRaWAN constellations to optimize their performance, addressing a critical need in current DtS-IoT mission design and operations. Additionally, we validate the proposed modeling with a comprehensive and realistic simulation campaign. Differences between the model predictions and simulation results remain below 5%. Results show that the proposed modeling is accurate and insightful, offering valuable projections into the performance of forthcoming LoRaWAN DtS-IoT constellations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».