Analysis of Physical Connectivity and Cross-Layer Service Matching in User-Service-Oriented ISTN
Notice bibliographique
Résumé
Aiming at service-oriented design requirements for the Integrated Satellite Terrestrial network (ISTN), this paper proposes a cross-layer analysis framework and a distributed Cognitive Space Service Network architecture. These address challenges in traditional single-layer research, including un-quantified cross-layer deviations, incomplete link analysis, and a lack of multi-dimensional evaluation. A distributed on-orbit architecture for LEO satellites is constructed to enable cross-layer cooperation across physical-layer access, network-layer routing, and application-layer service matching. Beyond channel-fading-based analysis, a multi-link model incorporating node-induced interference is established. It derives uplink access success rate expressions, quantifies impacts of user density, link distance, and carrier bands on connectivity, and verifies interference-attenuation coupling via simulations. By integrating mutual information and entropy theory, a cross-layer deviation framework is built, using confluent hypergeometric distribution to model service matching uncertainty. This achieves quantitative modeling of “physical-network layer” cooperation gains and “network-application layer” adaptation deviations. The results provide theoretical tools for optimizing space-based intelligent networks. The architecture and methods directly support enhancing large-scale satellite network quality and constructing objective functions, providing a key technical path for service-oriented future space-ground integration 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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 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 ».