علوم رایانش و فناوری اطلاعات

کنترل توأم فشرده سازی و ارسال داده ها در تجهیزات اینترنت اشیاء با انرژی تجدیدپذیر

نویسندگان

دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده

یکی از مهم­ترین چالش­های توسعۀ اینترنت اشیاء، محدودیت انرژی تجهیزات است. در راستای کاهش مصرف انرژی، در این مقاله، ما مسئله کنترل توأم نرخ فشرده­سازی (با اتلاف) و تعداد بسته­های ارسالی در واحد زمان را برای یک گره اینترنت اشیاء مجهز به منبع انرژی تجدیدپذیر مطرح می­کنیم. نوآوری راهکار پیشنهادی در توجه هم­زمان به دو هدف بهینه­سازی یعنی: «سطح تطابق» داده­های دریافتی با داده­های اصلی و نیز رعایت قید تأخیر ارسال داده­هاست. برای این منظور، با استفاده از چارچوب ریاضی فرآیند تصمیم مارکُفی مقیّد، مسئله را در قالب یک بهینه­سازی تصادفی طرح می­کنیم با هدف بیشینه کردن متوسط «سطح تطابق» داده­ها در بلندمدت، ضمن ایجاد محدودیت در متوسط تأخیرِ گزارش رویدادهای حسگری. نامقیّدسازی مسئله با روش استاندارد «لاگرانژین» انجام می­شود. الگوریتم پیشنهادی ما برای محاسبۀ سیاست بهینۀ تطبیق­پذیر نیز بر مبنای دو تکنیک­ یادگیری تقویتی سریع به نام PDS و VE است که می­تواند با جداسازی پویایی سیستم به دو بخش قطعی و تصادفی، صرفاً با اتخاذ تصمیمات حریصانه و بدون نیاز به دانش آماری فرآیندهای تصادفیِ کانالِ بی­سیم، شارژ انرژی و وقوع رویدادهای حسگری، همگرایی به سیاست بهینه را تضمین نماید. کارایی سیاست­­های پیشنهادی با الگوریتم استاندارد Q-learning مورد مقایسه قرار گرفته و به لحاظ مصرف انرژی، میزان هدررفت بسته­های داده و هم­چنین «سطح تطابق» داده­های گزارش شده ارزیابی می­­شوند. نتایج نشان می­دهند که سطح تطابق داده­های گزارش شده در روش VE  نسبت به روش استاندارد Q-learning به میزان 63.741 درصد و روش PDS نسبت به روش استاندارد Q-learning میزان 61.845 درصد بهبود یافته است.

کلیدواژه‌ها

  • [1] R. Khan, S. Ullah Khan, R. Zaheer, and S. Khan, “Future Internet: The Internet of Things Architecture,Possible Applications and Key Challenges”, in the proceedings of 10th International Conference on Frontiers of Information Technology, Islamabad, Pakistan, 17-19 December, 2012.
  • [2] R. Sharma, “A data compression application for wireless sensor networks using LTC algorithm,” IEEE International Conference on Electro/Information Technology (EIT), pp. 598–604, 2015.
  • [3] C. J. Deepu, C.-H. Heng, and Y. Lian, "A hybrid data compression scheme for power reduction in wireless sensors for IoT," IEEE transactions on biomedical circuits and systems, vol. 11, pp. 245-254, 2017.
  • [4] M. J. Kang, S. Jeong, I. Yoon, and D. K. Noh, “Energy-aware determination of compression for low latency in solar-powered wireless sensor networks,” International Journal of Distributed Sensor Networks, vol. 13, no. 2, p. 155014771769416, Feb. 2017.
  • [5] S. Kim, C. Cho, K.-J. Park, and H. Lim, “Increasing network lifetime using data compression in wireless sensor networks with energy harvesting,” International Journal of Distributed Sensor Networks, vol. 13, no. 1, p. 1-10, Jan. 2017.
  • [6] D. Zordan, T. Melodia, and M. Rossi, “On the Design of Temporal Compression Strategies for Energy Harvesting Sensor Networks,” IEEE Transactions on Wireless Communications, vol. 15, no. 2, pp. 1336–1352, Feb. 2016.
  • [7] M. A. Razzaque, C. Bleakley, and S. Dobson, “Compression in wireless sensor networks: A survey and comparative evaluation,” ACM Transactions on Sensor Networks (TOSN), vol. 10, no. 1, p. 5, 2013.
  • [8] C. Pielli, A. Biason, A. Zanella, and M. Zorzi, “Joint optimization of energy efficiency and data compression in TDMA-based medium access control for the IoT,” in Globecom Workshops (GC Wkshps), 2016 IEEE, pp. 1–6, 2016.
  • [9] R. V. Bhat, M. Motani, and T. J. Lim, “Distortion minimization in energy harvesting sensor nodes with compression power constraints,” in 2016 IEEE International Conference on Communications (ICC), pp. 1–6, 2016.
  • [10] H. Ghasemi, I. Stupia, and L.Vandendorpe, “Optimal Compression and Transmission Policies for Energy Harvesting Nodes,” 2018 15th International Symposium on Wireless Communication Systems (ISWCS), 2018.
  • [11] C. Tapparello, O. Simeone, and M. Rossi, “Dynamic Compression-Transmission for Energy-Harvesting Multihop Networks With Correlated Sources,” IEEE/ACM Transactions on Networking, vol. 22, no. 6, pp. 1729–1741, Dec. 2014.
  • [12] P. Castiglione, O. Simeone, E. Erkip, and T. Zemen, “Energy Management Policies for Energy-Neutral Source-Channel Coding,” IEEE Transactions on Wireless Communications., vol. 60, no. 9, pp. 2668–2678, Sep. 2012.
  • [13] A. Biason, C. Pielli, A. Zanella, and M. Zorzi, “Energy/distortion tradeoffs in joint source coding and MAC scheduling for the IoT,” arXiv:1702.03695, submitted to IEEE Trans. on Wireless Communications, Nov. 2016.
  • [14] A. Biason, C. Pieli, A. Zanella, and M. Zorzi, “Access Control for IOT Nodes With Energy And Fidelity Constraints,” IEEE Transactions on Wireless Communications, vol. 17, no.5, pp. 3242-3257, May. 2018.
  • [15] C. Pielli, C. Stefanovic, P. Popovski, and M. Zorzi, “Joint Retransmission, Compression and Channel Coding for Data Fidelity under Energy Constraints,” arXiv Prepr. arXiv1706.09183, pp. 1–14, Jun. 2017.
  • [16] N. Toorchi, J. Chakareski, and N. Mastronarde, “Fast and low-complexity reinforcement learning for delay-sensitive energy harvesting wireless visual sensing systems,” in 2016 IEEE International Conference on Image Processing (ICIP), pp. 1804–1808, 2016.
  • [17] C. Pielli, C. Stefanovic, P. Popovski, and M. Zorzi, “Minimizing Data Distortion of Periodically Reporting IoT Devices with Energy Harvesting,” in 2017 14th Annual IEEE International Conference on Sensing, Communication, and Networking (SECON), pp. 1– 9, 2017.
  • [18] P. Bertsekas, Dynamic Programming and Optimal Control, 4th ed. Athena Scientific, vol, 2, 2012.
  • [19] C. J. C. H. Watkins and P. Dayan, “Q-learning,” Machine Learning, vol. 8, no. 3-4, pp. 279–292, 1992.
  • [20] T. Schoellhammer, B. Greenstein, E. Osterweil, M. Wimbrow, and D. Estrin, “Lightweight temporal compression of microclimate datasets [wireless sensor networks],” in Annual IEEE International Conference on Local Computer Networks, Tampa, FL, US, Nov. 2004, pp. 516– 524.
  • [21] D. Zordan, B. Martinez, I. Vilajosana, and M. Rossi, “On the Performance of Lossy Compression Schemes for Energy Constrained Sensor Networking,” ACM Transactions on Sensor Networks, vol. 11, no. 1, pp. 15:1–15:34, Aug. 2014.
  • [22] R. Wang, J. Zhang, S. H. Song and K. B. Letaief, "Optimal QoS-Aware Channel Assignment in D2D Communications With Partial CSI," IEEE Transactions on Wireless Communications, vol. 15, no. 11, pp. 7594-7609, Nov. 2016.
  • [23] N. Salodkar, A. Bhorkar, A. Karandikar, and V. S. Borkar, "An on-line learning algorithm for energy efficient delay constrained scheduling over a fading channel," IEEE Journal on Selected Areas in Communications, vol. 26, no. 4, 2008
  • [24] R. Aslani, V. Hakami, and M. Dehghan, "A token-based incentive mechanism for video streaming applications in peer-to-peer networks," Multimedia Tools Applications, pp. 1-29, 2017.
  • [25] M. Crowder. Stochastic approximation: A dynamical systems viewpoint by Vivek Borkar. International Statistical Review, 77(2), 2009.
  • [26] J. Davidson, Stochastic limit theory An introduction for econometricians. Oxford: Oxford University Press, 1994.
علوم رایانش و فناوری اطلاعات
دوره 17، شماره 2
پاییز و زمستان
آذر 1398