پروتكل مسيريابي مبتني بر بهره‌وري انرژي براي شبكه اينترنت اشيا شناختي با استفاده از يادگيري ماشين

Energy Efficiency Based Routing Protocol for Cognitive Internet of Things Network Using Machine Learning

در اينترنت اشياء، حركت نودها با محدوديت انرژي همراه بوده و داشتن يك مكانيزم بهره‏وري انرژي كارآمد يك ضرورت در اين شبكه‏ها است. عناصر شبكه به دليل محدوديت در وضعيت، دامنه و يا مكانيزم‏هاي پاسخ، نميتوانند سازگاري هوشمندي با محيطي داشته باشند، به همين دليل از روشهاي بهره‏وري انرژي انتظار مي‏رود كه خودشان را با تغييرات محيط سازگار كنند. روش پيشنهادي يك مدل شناختي بر اساس آتوماتاي يادگير براي دسترسي به كانال ارتباطي به طور پويا در اينترنت اشياست. روش پيشنهادي يك روش پيشگيرانه است كه از برخورد بسته‌ها و ازدحام در شبكه جلوگيري مي‌كند و همچنين اهداف نهايي شبكه از جمله توان عملياتي را افزايش مي‌دهد. علاوه بر اين الگوريتم يادگير ارائه شده مصرف انرژي در شبكه را كاهش داده و يك شبكه خود كنترلي و خودسازگار را مي‌سازد. نتايج تجربي نشان مي‌دهد كه روش پيشنهادي نسبت به دو روش EEPR و QRPL، مصرف انرژي را براي انتخاب گره‌هاي ارتباطي در شبكه اينترنت اشياء به حداقل مي‌رساند.

In the Internet of Things, the movement of nodes is associated with energy limitations, and having an efficient energy efficiency mechanism is a necessity in these networks. Network elements cannot adapt intelligently to the environment due to limitations in their status, range, or response mechanisms, therefore energy efficiency methods are expected to adapt themselves to environmental changes. The proposed method is a cognitive model based on learning automata to access the communication channel dynamically in the Internet of Things. The proposed method is a preventive method that prevents the collision of packets and congestion in the network and also increases the final goals of the network including throughput. In addition, the presented learning algorithm reduces energy consumption in the network and creates a self-controlling and self-adaptive network. The experimental results show that the proposed method minimizes the energy consumption for selecting communication nodes in the Internet of Things network compared to the EEPR and QRPL methods.