High-speed, low latency, and heterogeneity features of 5G, as the common denominator of many emerging and classic wireless applications, have put wireless technology back in the spotlight. Continuous connectivity requirement in low-power and wide-reach networks underlines the need for more efficient routing over scarce wireless resources, in multi-hp scenarios. In this regard, Opportunistic Routing (OR), which utilizes the broadcast nature of wireless media to provide transmission cooperation amongst a selected number of overhearing nodes, has become more promising than ever. Crucial to the overall network performance, which nodes to participate and where they stand on the transmission-priority hierarchy, are decided by user-defined OR metrics embedded in OR protocols. Therefore, the task of choosing or designing an appropriate OR metric is a critical one. The numerousness, proprietary notations, and the objective variousness of OR metrics can cause the interested researcher to lose insight and become overwhelmed, making the metric selection or design effort-intensive. While there are not any comprehensive OR metrics surveys in the literature, those who partially address the subject are non-exhaustive and lacking in detail. Furthermore, they offer limited insight regarding related taxonomy and future research recommendations. In this paper, starting with a custom tutorial with a new look to OR and OR metrics, we devise a new framework for OR metric design. Introducing a new taxonomy enables us to take a structured, investigative, and comparative approach to OR metrics, supported by extensive simulations. Exhaustive coverage of OR metrics, formulated in a unified notation, is presented with sufficient details. Self-explanatory, easy-to-grasp, and visual-friendly quick references are provided, which can be used independently from the rest of the paper.


翻译:作为许多新兴和经典无线应用程序的共同特征,5G的高速度、低延度和异质特征是许多新兴和经典无线应用程序的共同特征,因此,无线技术被重新作为焦点。低能和广距网络的持续连通要求强调,在多功能情景中,需要以更有效率的方式对稀缺的无线资源进行引导。在这方面,利用无线媒体的广播性质提供一些偷听节点之间的传输合作的“机会路由”比以往任何时候更加有希望。对于整个网络业绩而言,参与的节点和它们站在传输优先级别上的无线技术又被人们所关注。低能和广距网络的持续连通性要求强调,在多功能情况下,选择或设计一个适当的无线资源。 数量众多、专有的标注和目标各异度可使感兴趣的研究者失去洞察力,从而让标准选择或设计方法更加密集。虽然在文献中没有任何全面的OR指标调查,但那些部分针对这个主题的不是直观的,而是从一个非深度的,并且缺乏一个最新的、在互联网上提供一个与我们研究的、有节纸化的。

0
下载
关闭预览

相关内容

分类学是分类的实践和科学。Wikipedia类别说明了一种分类法,可以通过自动方式提取Wikipedia类别的完整分类法。截至2009年,已经证明,可以使用人工构建的分类法(例如像WordNet这样的计算词典的分类法)来改进和重组Wikipedia类别分类法。 从广义上讲,分类法还适用于除父子层次结构以外的关系方案,例如网络结构。然后分类法可能包括有多父母的单身孩子,例如,“汽车”可能与父母双方一起出现“车辆”和“钢结构”;但是对某些人而言,这仅意味着“汽车”是几种不同分类法的一部分。分类法也可能只是将事物组织成组,或者是按字母顺序排列的列表;但是在这里,术语词汇更合适。在知识管理中的当前用法中,分类法被认为比本体论窄,因为本体论应用了各种各样的关系类型。 在数学上,分层分类法是给定对象集的分类树结构。该结构的顶部是适用于所有对象的单个分类,即根节点。此根下的节点是更具体的分类,适用于总分类对象集的子集。推理的进展从一般到更具体。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
计算机 | 中低难度国际会议信息8条
Call4Papers
9+阅读 · 2019年6月19日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
LibRec 精选:推荐系统9个必备数据集
LibRec智能推荐
6+阅读 · 2018年3月7日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
An Overview on Optimal Flocking
Arxiv
0+阅读 · 2021年1月22日
Sensitivity analysis in general metric spaces
Arxiv
0+阅读 · 2021年1月20日
Arxiv
45+阅读 · 2019年12月20日
Arxiv
35+阅读 · 2019年11月7日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
9+阅读 · 2018年3月28日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关VIP内容
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
计算机 | 中低难度国际会议信息8条
Call4Papers
9+阅读 · 2019年6月19日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
LibRec 精选:推荐系统9个必备数据集
LibRec智能推荐
6+阅读 · 2018年3月7日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
相关论文
An Overview on Optimal Flocking
Arxiv
0+阅读 · 2021年1月22日
Sensitivity analysis in general metric spaces
Arxiv
0+阅读 · 2021年1月20日
Arxiv
45+阅读 · 2019年12月20日
Arxiv
35+阅读 · 2019年11月7日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
9+阅读 · 2018年3月28日
Arxiv
4+阅读 · 2018年1月15日
Top
微信扫码咨询专知VIP会员