كُدگذاريِ تطبيق ذيرِ منبع براي ارسالِ مقيّد به تأخيرِ داده ها توسط تجهيزات حسگري اينترنت اشياء با قابليت برداشتِ انرژي

كارشناسي ارشد

يكي از مهم ترين چالش هاي توسعه اينترنت اشياء، محدوديت انرژي تجهيزات است. براي صرفه جويي در مصرف انرژي تجهيزات اينترنت اشياء مي توان از تكنيك هاي كاهش حجم داده براي انتقال (مثلا از طريق فشرده سازي داده هاي دريافتي از حسگرها كه در دو نوع فشرده سازي با اتلاف و بدون اتلاف صورت مي پذيرد) و همچنين از پيشرفت هاي فناوري (مثل برداشت انرژي) بهره برد. در اين پايان نامه، ما مسئله كنترل توأم نرخ فشرده سازي (با اتلاف) و تعداد بسته هاي ارسالي در واحد زمان را براي يك گره اينترنت اشياء مجهز به منبع انرژي تجديدپذير مطرح مي كنيم. نوآوري راهكار پيشنهادي در توجه هم زمان به دو هدف بهينه سازي يعني سطح تطابق داده هاي دريافتي با داده هاي اصلي و رعايت قيد تأخير ارسال داده هاست. به علاوه، ميزان هدررفت بسته ها بابت سرريز فضاي بافر داده نيز به عنوان معيار كارايي ديگر در تابع هدف سيستم دخالت داده مي شود تا عملكرد گره به صورت يك جانبه گرايانه به افزايش سطح تطابق سوق داده نشود. براي اين منظور، با استفاده از چارچوب رياضي فرآيند تصميم ماركُفي مقيّد، مسئله را در قالب يك بهينه-سازي تصادفي طرح مي كنيم كه هدف آن بيشينه كردن متوسط سطح تطابق داده ها در بلندمدت، ضمن ايجاد محدوديت در متوسط تأخيرِ گزارش رويدادهاي حسگري است. در اين مسئله، نامقيّدسازي با روش استاندارد لاگرانژين انجام مي شود. الگوريتم هاي پيشنهادي در اين پايان نامه براي محاسبۀ سياست بهينۀ تطبيق پذير بر مبناي دو تكنيك يادگيري تقويتي سريع به نام PDS و VE است كه ميتواند با جداسازي پويايي سيستم به دو بخش قطعي و تصادفي، با اتخاذ تصميمات حريصانه و بدون نياز به دانش آماري فرآيندهاي تصادفيِ كانالِ بي-سيم، شارژ انرژي و وقوع رويدادهاي حسگري، همگرايي به سياست بهينه را تضمين نمايد. همچنين با انجام به روزرساني هاي فرصت طلبانه دسته اي قادرند در تعداد تكرار كمتر و پيچيدگي نمونه برداري پايين تر نسبت به روش هاي استاندارد يادگيري تقويتي (مثلاً: Q-learning)، همگرايي به سياست بهينه كنترلي را با سرعت بيشتري حاصل نمايند. كارايي سياستهاي پيشنهادي با الگوريتم استاندارد Q-learning مورد مقايسه قرار گرفته و به لحاظ مصرف انرژي، ميزان هدررفت بسته هاي داده و همچنين سطح تطابق داده هاي گزارش شده با انجام آزمايشات عددي تحت سناريوهاي مختلف از جمله تأثير پارامترهايي مثل حجم ورود داده ها، ميزان انرژي موجود در هر خانه بافر انرژي و ميزان جريمه هدر رفت، مورد ارزيابي قرار مي گيرند. نتايج نشان ميدهند كه ضمن رعايت قيد تأخير ارسال داده ها توسط هر سه روش، سطح تطابق داده هاي گزارش شده در روش VE نسبت به روش استاندارد Q-learning به ميزان 63.741 درصد و روش PDS نسبت به روش استاندارد Q-learning ميزان 61.845 درصد بهبود يافته است.

194612

دانشگاه علم و صنعت ايران

شبكه‌هاي كامپيوتري

دكتر وصال حكمي