Protocolos eficientes para comunicação V2V em redes veiculares de dados nomeados
Bibliographic record
Abstract
consta no SIGA/Sistema de Fluxo de Dissertação/Tese e na Secretaria do Programa da Unidade.Campinas, 25 de setembro de 2020 Agradecimentos A Deus por me capacitar e colocar as pessoas certas no meu caminho durante toda a etapa do mestrado vivenciada em Campinas.À minha família, especialmente à minha mãe Marina e aos meus irmãos Rafael e Larissa, por todo apoio.Ao meu orientador Leandro Aparecido Villas pela rica oportunidade de fazer mestrado na UNICAMP, pela paciência, contribuição na minha formação e pelos ensinamentos que levarei pelo resto da minha vida.Ao meu coorientador Geraldo Pereira Rocha Filho pelos valiosos ensinamentos, reuniões, conselhos, contribuições e por fazer parte da realização de um sonho.Obrigado por tudo.Aos meus amigos do Instituto de Computação (IC), Beatriz, Rogério, Lucas Porto, Joahannes, Takeo, Napoli, João do Monte e Aissa, que são pessoas de bom coração e que estavam sempre dispostas a me ajudar nos momentos de dificuldade.Obrigado por tudo pessoal, sou grato a Deus por ter colocado pessoas especiais na minha vida.Agradeço a todos integrantes do Laboratório de Redes de Computadores (LRC) pelo acolhimento, especialmente ao grupo de pesquisa (discípulos) coordenado pelo meu orientador.Foi uma honra fazer parte deste grupo maravilhoso, acolhedor e sempre disposto a ajudar.Obrigado a todos que contribuíram para a realização deste sonho.Resumo A distribuição eficiente de conteúdo em larga escala em redes veiculares (VANETs) é uma tarefa desafiadora devido às características intrínsecas das VANETs, tais como topologia altamente dinâmica e conectividade intermitente.Nesse contexto, destacam-se as Redes Veiculares de Dados Nomeados (Vehicular Named-Data Networks -VNDN) que consiste da integração da arquitetura NDN (Named Data Networking) nas VANETs para superar as limitações na distribuição de conteúdo em larga escala nas VANETs.No entanto, a integração da arquitetura NDN nas VANETs gera o problema do broadcast storm no processo de descoberta de cache.Ressaltando que o broadcast storm é um problema característico das VANETs.Na literatura, vem surgindo protocolos para comunicação em VNDN que visam mitigar o problema do broadcast storm.Entretanto, em relação à recuperação de conteúdo, a maioria dos protocolos da literatura depende da informação da localização do veículo que contém o conteúdo, que é uma das limitações encontradas no paradigma de comunicação baseado em IP.Dado esse problema, nesta dissertação são propostos protocolos eficientes para comunicação entre veículos em VNDN, cujas estratégias de descoberta de cache adotadas maximizam a distribuição de conteúdo.Para isto, foram desenvolvidos os protocolos CDP, CLYMENE e PERSEU para realizar uma comunicação V2V eficiente em cenários urbanos.Os protocolos CDP, CLYMENE e PERSEU têm os mesmos objetivos: (i) maximizar a taxa de cache hit no processo de descoberta de cache; (ii) aumentar a taxa de entrega de conteúdo e (iii) reduzir o número de transmissões de pacotes de interesse.Com isso em mente, o protocolo CDP escolhe os veículos retransmissores utilizando o conceito de veículos melhores posicionados geograficamente.O protocolo CLYMENE escolhe os veículos retransmissores com maior centralidade de grau.E o protocolo PERSEU determina os veículos retransmissores usando o conceito de geometria computacional.Os protocolos propostos foram avaliados e comparados com os protocolos Vanilla VNDN e OIFP em uma região de Ottawa, Canada, por meio de simulações computacionais.Considerando um cenário crítico com apenas 5% de veículos produtores, os resultados de simulações mostram que os protocolos propostos possuem melhor desempenho que o Vanilla VNDN e OIFP em três pontos chaves: (i) taxa de cache hit; (ii) taxa de entrega de conteúdo e (iii) transmissão de pacotes de interesse.Em relação à taxa de cache hit, os protocolos CDP, CLYMENE e PERSEU são 82,5%, 163,6% e 193,7% mais eficientes que o Vanilla VNDN e OIFP na média.Quanto à taxa de entrega de conteúdo, os protocolos CDP, CLYMENE e PERSEU atingem um aumento de 36,45%, 38,35% e 49,1% em relação ao Vanilla VNDN e OIFP na média.E referente ao número de transmissões de pacotes de interesse, os protocolos CDP, CLYMENE e PERSEU conseguem uma redução de 58%, 45% e 61,45% em comparação com o Vanilla VNDN e OIFP na média.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".