بهبود قابلیت اطمینان و عمر باتری در شبکه‌های ارتباطی اینترنت اشیاء: چالش‌ها و راهبرد‌های مبتنی بر یادگیری ماشینی

در راستای تحقق یک جامعۀ هوشمند، برقراری ارتباط برای تمام اشیای هوشمند با هزینه و انرژی مصرفی کم یک نیاز اساسی است. شبکه‌های بی‌سیم کنونی برای برقراری بهینة ارتباطات، به مدیریت متمرکز شبکه و منابع نیاز دارند و عواملی مانند انرژی مصرفی در ارسال دریافت سیگنال‌های کنترلی و تعداد زیاد دستگاههای اینترنت اشیاء، امکان استفاده از چنین رویکردهای متمرکزی را در آینده غیرممکن خواهند کرد. برای حل این مشکل، در این مقاله امکان استفاده از راه‌حل‌های مبتنی بر یادگیری ماشینی برای شبکه‌های اینترنت اشیاء بررسی شده است. در گام نخست برای دستیابی به این هدف، روش‌های یادگیری با پیچیدگی کم بررسی شده‌اند که مناسب پیاده‌سازی در اشیاءاند. در ادامه، یک روش یادگیری برای تطبیق پارامترهای مخابراتی در اشیاء با محیط پیرامون آنها ارائه شده است. در این روش پیشنهادی، تابع ارزش هر تصمیم براساس سابقۀ انرژی مصرفی و میزان موفقیت در اتخاذ آن تصمیم ‌طراحی می‌شود. این طراحی، دستگاه‌ را قادر می‌کند بهترین مصالحه را بین انرژی مصرفی و قابلیت اطمینان ارتباطات به دست آورد. در گام بعدی، مقایسة عملکرد روش پیشنهادی مقاله با رویکرد سیستم‌های متمرکز، با بهره‌گیری از ابزار هندسة تصادفی ارائه شده است. سپس، ارتباط بین پارامتر‌های الگوریتم یادگیری ماشینی و عملکرد سیستم مخابراتی، مانند انرژی مصرفی و قابلیت اطمینان، تجزیه‌وتحلیل شده است. نتایج شبیه‌سازی نشان می‌دهند در مقایسه با جدیدترین روش‌های پیشنهادشده در ادبیات این موضوع، هردو معیار بهره‌وری انرژی و سطح اطمینان با استفاده از روش یادگیری مندرج در این مقاله به‌صورت چشمگیری بهبود می‌یابند.

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

Towards realizing an intelligent networked society, enabling lowcost lowenergy 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 lowcomplex learning schemes that are applicable to resourceconstrained 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.