A Survey on LoRaWAN MAC Schemes: From Conventional Solutions to AI-Driven Protocols
Notice bibliographique
Résumé
Long Range (LoRa) networks have emerged as a vital solution catering to applications requiring coverage over relatively long distances in the world of Internet of Things (IoT), where connectivity and efficient data transmission are paramount. LoRa’s utilization of the unlicensed Industrial, Scientific, and Medical (ISM) band not only underscores its cost-effectiveness but also positions it favorably against licensed technologies in terms of deployment cost. Consequently, LoRa has been used as the underlying communication technology for applications across various industrial IoT scenarios. Despite its immense promise in reshaping IoT connectivity, LoRa does have some shortcomings and challenges that the research community has yet to address to unleash its full potential. These limitations have triggered substantial attention from diverse entities, including research institutions, organizations, and industry stakeholders. This paper reviews the literature aimed at improving the capacity and scalability of LoRa networks specifically at the Medium Access Control (MAC) and data link layers. Unlike other surveys, this study focuses on these layers because they play a pivotal role in managing collision rates, which significantly impact network scalability. The paper suggests a comprehensive review of the literature, organizing it based on key limitations that could hinder the network’s ability to meet its performance objectives, including scalability, Packet Delivery Ratio (PDR), and energy efficiency. In addition, the paper provides a summary of these research efforts and offers insight into potential directions for future research in this area.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».