بهبود قابليت اطمينان و عمر باتري در شبكه هاي ارتباطي اينترنت اشياء: چالش ها و راهبرد هاي مبتني بر يادگيري ماشيني

Reliability and Battery Lifetime Improvement for IoT Networks: Challenges and AI-powered solutions

در راستاي تحقق يك جامعه هوشمند، برقراري ارتباط براي تمام اشياي هوشمند با هزينه و انرژي مصرفي كم يك نياز اساسي است. شبكه هاي بي سيم كنوني براي برقراري بهينه ارتباطات، به مديريت متمركز شبكه و منابع نياز دارند و عواملي مانند انرژي مصرفي در ارسال - دريافت سيگنال هاي كنترلي و تعداد زياد دستگاه هاي اينترنت اشياء، امكان استفاده از چنين رويكردهاي متمركزي را در آينده غيرممكن خواهند كرد. براي حل اين مشكل، در اين مقاله امكان استفاده از راه حل هاي مبتني بر يادگيري ماشيني براي شبكه هاي اينترنت اشياء بررسي شده است. در گام نخست براي دستيابي به اين هدف، روش هاي يادگيري با پيچيدگي كم بررسي شده اند كه مناسب پياده سازي در اشياءاند. در ادامه، يك روش يادگيري براي تطبيق پارامترهاي مخابراتي در اشياء با محيط پيرامون آنها ارايه شده است. در اين روش پيشنهادي، تابع ارزش هر تصميم براساس سابقه انرژي مصرفي و ميزان موفقيت در اتخاذ آن تصميم طراحي مي شود. اين طراحي، دستگاه را قادر مي كند بهترين مصالحه را بين انرژي مصرفي و قابليت اطمينان ارتباطات به دست آورد. در گام بعدي، مقايسه عملكرد روش پيشنهادي مقاله با رويكرد سيستم هاي متمركز، با بهره گيري از ابزار هندسه تصادفي ارايه شده است. سپس، ارتباط بين پارامتر هاي الگوريتم يادگيري ماشيني و عملكرد سيستم مخابراتي، مانند انرژي مصرفي و قابليت اطمينان، تجزيه وتحليل شده است. نتايج شبيه سازي نشان مي دهند در مقايسه با جديدترين روش هاي پيشنهادشده در ادبيات اين موضوع، هردو معيار بهره وري انرژي و سطح اطمينان با استفاده از روش يادگيري مندرج در اين مقاله به صورت چشم گيري بهبود مي يابند.

Towards realizing an intelligent networked society, enabling low-cost low-energy connectivity for things, also known as the Internet of Things (IoT), is of crucial importance. While the existing wireless access networks require centralized signaling for managing network resources, this approach is of less interest for future generations of wireless networks due to the energy consumption in such signaling and the expected increase in the number of IoT devices. Then, in this work, we investigate leveraging machine learning for distributed control of IoT communications. Towards this end, first, we investigate low-complex learning schemes that are applicable to resource-constrained IoT communications. Then, we propose a lightweight learning scheme which enables the IoT devices to adapt their communication parameters to the environment. Further, we investigate analytical expressions presenting the performance of a centralized control scheme for adapting communication parameters of IoT devices and compare the results with the results from the proposed distributed learning approach. The simulation results confirm that the reliability and energy efficiency of IoT communications could be significantly improved by leveraging the proposed learning approach.