An Interference-aware and Collision-free MAC Protocol for Underwater Wireless Sensor 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
In the realm of underwater wireless communication, vast oceanic expanses often demand large-scale deployment of Underwater Wireless Sensor Networks (UWSNs). UWSNs rely on acoustic communication channels, presenting distinct challenges like prolonged propagation delays, restricted bandwidth, and dynamic topologies. Furthermore, the far-reaching and multi-path nature of acoustic signals results in significant hidden terminal problems and ubiquitous interference between neighboring nodes. Therefore, an efficient medium access control (MAC) protocol is crucial for optimizing UWSN performance. This article proposes IC-MAC, a MAC protocol tailored for UWSNs to avoid collisions and improve network performance. IC-MAC employs distributed clustering to group sensor nodes and the cluster head degree is defined for each node, which is a coefficient that accentuates nodes characterized by a higher incidence of collision associations. To identify interfering nodes and construct an interference-free graph, an interference identification algorithm is proposed. In addition, a heuristic graph coloring technique, guided by particle swarm optimization, allocates time slots efficiently to achieve collision-free transmission scheduling and enhanced spatial reuse. Simulations demonstrate the effectiveness of the IC-MAC protocol in enhancing throughput, reducing delay, and improving packet delivery ratio and energy efficiency. This is achieved through efficient spatial resource utilization and robust management of collisions and interference, specifically tailored for underwater acoustic channels, outperforming existing MAC protocols.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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