IRSA Over Spreading Factors for Spatio-Temporal SIC in Scalable LoRaWAN IoT Networks
Notice bibliographique
Résumé
The rapid growth of the Internet of Things (IoT) has triggered the need for scalable and energy-efficient communication solutions. While LoRaWAN is widely used for long-range wireless access, its Aloha-based MAC protocol struggles with high collision rates in dense networks. Existing solutions such as irregular repetition slotted ALOHA (IRSA) and contention resolution diversity slotted ALOHA (CRDSA) have improved network performance by using packet repetitions and successive interference cancellation. However, they do not fully leverage the unique properties of LoRaWAN Spreading Factors (SFs). To address this gap, we propose a new approach called SF-IRSA, where IoT devices transmit replicas using different SFs, enabling the decoder to apply an SF-IRSA-SIC process that leverages both temporal and spatial dimensions for efficient packet decoding. Our theoretical analysis and simulations show that SF-IRSA outperforms IRSA and CRDSA in terms of throughput and reliability. Specifically, using up to two SFs results in a 16.2% increase in the asymptotic throughput compared to standard IRSA. When extending to three SFs, the throughput gain reaches 116.9%, with a maximum of $\mathbf{2 2 4. 5 2 \%}$ while using $\mathbf{6}$ SFs.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».