Priority-Aware Parallel Transmission Toward Dense Satellite Remote Sensing and Communication Integrated Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dense satellite networks provide new potentials for prompt massive observational data backhaul, which has been the focus of the study. However, the dynamic and dense networks, coupled with the multi-priority task requirements of satellites, present significant challenges in designing effective offloading and transmission strategies. To address these challenges, we construct a remote sensing and communication integrated network (RSCIN) model and propose a task-splitting and parallel transmission approach that adequately utilizes the resources of both communication satellite (CS) and observation satellite (OS) for efficient data offloading. Specifically, we first investigate the priority-aware latency caused by the preemptive-resume scheme of OSs and employ a lognormal distribution to model the internal traffic intensity of CSs and analyze its influence on OS data relays. Furthermore, we formulate a mixed integer nonlinear programming (MINLP) problem to minimize the end-to-end (E2E) delay by jointly considering path selection, task-splitting strategy, transmit power, and queuing delay. With the proposed joint task-splitting and multi-path selection (JTMPS) algorithm, we equivalently decompose the MINLP problem into the constructed path set (CPS) problem and an optimal CPS-based task scheduling problem, which the benders decomposition algorithm can further solve. Extensive analysis and numerical results verify that the proposed JTMPS algorithm can achieve superior performance than various baseline schemes in RSCINs.
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.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle