Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Dynamic Load Impact on Protocols in Mesh: An ANOVA Test Evaluation
Autoři: Alameri Ibrahim | Komárková Jitka | Al-Hadhrami Tawfik
Rok: 2024
Druh publikace: článek v odborném periodiku
Název zdroje: Scientific Papers of the University of Pardubice - Series D, Faculty of Economics and Administration
Název nakladatele: Univerzita Pardubice
Místo vydání: Pardubice
Strana od-do: 1918
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Dynamický dopad zatížení na protokoly v mesh síti: Vyhodnocení testu ANOVA Předkládaný článek nabízí podrobný pohled na směrovací protokoly mesh sítí se zaměřením na to, jak dobře fungují za různých podmínek hustoty a mobility uzlů. K přesnému porovnání studie využívá robustní neparametrické statistické metody, včetně Kruskal-Wallisova, Mannova-Whitneyho, korelačního a kovariančního testu, s cílem určit, které protokoly vynikají v klíčových metrikách kvality služeb (QoS). Tyto metriky zahrnují spotřebu energie, zpoždění mezi koncovými stanicemi, poměr doručení paketů, propustnost a režii sítě. Výzkum simuluje několik scénářů sítě mesh a shromažďuje důležitá data pro komplexní posouzení spolehlivosti a účinnosti jednotlivých protokolů. Kruskal-Wallisův test identifikuje velké rozdíly ve výkonnosti za různých okolností. Následně Mann-Whitneyho test nabízí bližší pohled a podrobně porovnává protokoly s cílem identifikovat ty, které fungují nejlépe za konkrétních podmínek. Studie zjistila, že výkonnost protokolů se může dramaticky lišit v závislosti na hustotě sítě a na tom, jak jsou uzly mobilní. Ukazuje, které protokoly vynikají ve stabilnějších nastaveních a které zůstávají spolehlivé v rychle se měnících, dynamických sítích. Pro návrháře a provozovatele sítí jsou tyto poznatky nesmírně cenné a nabízejí praktický návod, jak optimalizovat výkon v reálných nasazeních. Výzkum navíc zdůrazňuje, proč jsou neparametrické statistické metody tak zásadní. Síťová data často vykazují vysokou variabilitu a ne vždy se dají předpokládat. Mesh; AODV; KRUSKAL-WALLIS; Jednosměrná ANOVA; Mann-Whitney; Korelace a kovariance
eng Dynamic Load Impact on Protocols in Mesh: An ANOVA Test Evaluation The presented paper offers an in-depth look at mesh routing protocols, focusing on how well they perform under different conditions of node density and mobility. To make accurate comparisons, the study uses robust non-parametric statistical methods, including the Kruskal-Wallis, Mann-Whitney, correlation and covariance tests, to pinpoint which protocols stand out across crucial Quality of Service (QoS) metrics. These metrics cover energy consumption, end-to-end delay, packet delivery ratio, throughput, and network overhead. The research simulates several mesh network scenarios to collect important data for a comprehensive assessment of the reliability and effectiveness of each protocol. The Kruskal-Wallis test identifies large differences in performance across different circumstances. Following that, the Mann-Whitney test offers a closer look, comparing protocols in detail to identify those that work best under specific conditions. The study finds that protocol performance can vary dramatically depending on network density and how mobile the nodes are. It outlines which protocols excel in more stable setups and which remain dependable in fast-changing, dynamic networks. For network designers and operators, these insights are incredibly valuable, offering practical guidance on optimizing performance in real-world deployments. Furthermore, the research underscores why non-parametric statistical methods are so crucial. Network data often show high variability and don't always follow normal distribution patterns, making traditional parametric techniques less reliable. By choosing a more flexible and accurate approach, this study makes a meaningful contribution to wireless communication, providing a clearer picture of how different routing protocols hold up under real-world conditions. Mesh; AODV; KRUSKAL-WALLIS; One way ANOVA; Mann-Whitney; Correlation and Covariance