Multi-Gateway LoRaWAN Throughput Modeling in Direct-to-Satellite IoT Constellations
Notice bibliographique
Résumé
<div> 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. </div>
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».