DtS-IoT Resource Allocation Analysis Framework: Assessing DQ and RESS-IoT
Notice bibliographique
Résumé
The demand for expanding connectivity to remote and isolated areas has intensified the need for global Internet of Things (IoT) solutions. Direct-to-Satellite IoT (DtS-IoT), enabled by advances in nanosatellite technology, allows cost-effective global and direct connectivity between IoT devices and low Earth orbit satellites. However, the most cost-effective DtSIoT networks face resource limitations in user, ground, and space segments, demanding scalable solutions to fully realize their scalability potential. While several resource allocation protocols have been proposed for DtS-IoT, they have mainly been evaluated using static topologies or simplified simulations, overlooking the time-evolving orbital and channel dynamics crucial to DtS-IoT performance. This work bridges this gap by introducing the DtS-IoT Resource Allocation Analysis Framework (DRAAF), a comparison methodology and toolchain for evaluating resource allocation mechanisms in realistic DtS-IoT scenarios. Our method is framed in scalability, energy efficiency, throughput, delay, fairness, and overhead metrics. Utilizing FLoRaSat, a realistic LoRa-based DtS-IoT network simulator, we showcase the methodology with a use case investigating two energy-efficient MAC protocols for DtS-IoT: RESS-IoT and Distributed Queuing (DQ). Results indicate that DQ excels in throughput and node energy efficiency, whereas RESS-IoT reduces delay. Both protocols maintain satellite energy efficiency and enhance fairness in uplink transmissions. These findings underscore the value of our approach in evaluating resource allocation within complex DtS-IoT systems.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| 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 ».