تدمج هذه الدراسة ترميز الشبكة مع تعلم تعزيز النقد الناعم لتحقيق توجيه موفر للطاقة في شبكات إنترنت الأشياء الأساسية، مما يظهر انخفاضا بنسبة 40٪ في استهلاك الطاقة مع نسبة تسليم حزم 97٪.
مقالة بحثية
نحو إنترنت الأشياء الأخضر: الحفاظ على الطاقة في شبكة إنترنت الأشياء الأساسية باستخدام ترميز الشبكة وناقد الفاعل الناعم
يفتح في علامة تبويب جديدة
في هذه المقالة
ملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
الملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
أدى التوسع السريع لشبكات إنترنت الأشياء (IoT) إلى تفاقم تحديات كفاءة الطاقة في شبكات إنترنت الأشياء الأساسية، حيث يفرض توجيه البيانات طلبا عاليا على طاقة العقد. تقترح هذه الورقة نموذجا هجينا يدمج ترميز الشبكة (NC) مع تعلم تعزيز الفاعل-الناقد الناعم (SAC) لمعالجة هذه التحديات. يقلل NC من الإرسال الزائد عن طريق دمج الحزم، بينما يقوم وكلاء SAC باختيار مسارات توجيه واعية للطاقة ديناميكيا بناء على حالة العقدة، جودة الرابط، والطاقة المتبقية.
تم تنفيذ النظام باستخدام محاكي NS-3 مع طوبولوجيا شبكة من 5 × 5 لعقد إنترنت الأشياء (حزم 512 بايت، وقت تشغيل 100 ثانية) تحت ظروف مرور مختلفة. تظهر النتائج أن NC + SAC يحقق انخفاضا بنسبة 40٪ في استهلاك الطاقة، ونسبة تسليم الحزم بنسبة 97٪، وتحسن بنسبة 50٪ في معدل الإنتاجية، وعمر افتراضي أطول في الشبكة مقارنة بالأساليب التقليدية للتوجيه والنهج المستقل.
تشمل المساهمات الرئيسية تكامل NC-SAC الجديد، والتحقق الشامل ل NS-3 عبر مقاييس متعددة، وعرض للتواصل المبرمج القائم على التعلم لبنى تحتية مستدامة لإنترنت الأشياء. يوازن النهج الهجين بين الموثوقية والحفاظ على الطاقة والأداء، مقدما إطارا قابلا للتوسع لشبكات إنترنت الأشياء الخضراء من الجيل القادم.
المقدمة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
برز إنترنت الأشياء (IoT) كواحدة من أكثر التقنيات تحولا في القرن الحادي والعشرين، حيث يربط بسلاسة مليارات الأجهزة لتمكين المنازل والمدن والصناعات وأنظمة الرعاية الصحية الذكية1. ومع هذا النمو غير المسبوق، يأتي تحد ملح: قضية استهلاك الطاقة. أجهزة إنترنت الأشياء، خاصة تلك المنتشرة في الشبكة الأساسية، غالبا ما تكون تعمل بالبطارية أو تعاني من محدودية الموارد. مع ارتفاع كثافة الأجهزة وحركة البيانات، تصبح كفاءة الطاقة عاملا حاسما لضمان الاستدامة طويلة الأمد لبنى تحتية إنترنت الأشياء. في هذا السياق، يعد تصميم استراتيجيات ذكية للتواصل والتوجيه توازن بين الأداء والحفاظ على الطاقة أمرا بالغ الأهمية.
غالبا ما تركز طرق التوجيه التقليدية في شبكات إنترنت الأشياء على النهج الأقصر أو المعتمدة على الاعتمادية. على الرغم من فعاليتها في السيناريوهات الأساسية، غالبا ما تؤدي هذه الطرق إلى إرسال زائدة واستنزاف سريع للطاقة، خاصة في عمليات النشر الديناميكية أو واسعة النطاق 2,3. لمعالجة هذه العيوب، استكشف الباحثون تقنيات مثل ترميز الشبكة (NC)، الذي يقلل عدد الإرسال من خلال دمج عدة حزم في حزمة مشفرة واحدة. لقد أثبت NC أنه يحسن معدل النقل، ويقلل من زمن التأخير، ويستخدم النطاق الترددي الأمثل. ومع ذلك، بينما يكون ترميز الشبكة فعالا في تقليل عبء الاتصالات، إلا أنه لا يأخذ في الاعتبار مستويات طاقة العقدة أو يتكيف مع ظروف الشبكة المتقلبة 4,5.
هنا يلعب اتخاذ القرار المدفوع بتعلم الآلة دورا حيويا. يوفر التعلم المعزز (RL) إطارا قويا بشكل خاص لتمكين عقد إنترنت الأشياء من اتخاذ قرارات تكيفية من خلال التفاعل مع البيئة والتعلم من المكافآت. بين خوارزميات التعلم التقدي، اكتسب الناقد الممثل الناعم (SAC) شهرة بسبب قدرته على موازنة الاستكشاف والاستغلال من خلال تنظيم الإنتروبيا6. على عكس نماذج التعلم المعزز التقليدية، يشجع SAC على اختيار الإجراءات المتنوع، مما يمنع النظام من التقارب بسرعة كبيرة إلى استراتيجيات غير مثالية. بالنسبة لشبكات إنترنت الأشياء محدودة الطاقة، يترجم هذا إلى خيارات توجيه أذكى تتكيف ليس فقط مع جودة الروابط ونجاح التوصيل، بل أيضا مع مستويات الطاقة المتبقية في كل عقدة.
ركزت الدراسات الحديثة بشكل متزايد على دور التعلم المعزز في تحسين اتصالات إنترنت الأشياء وإدارة الطاقة. على سبيل المثال، استخدم ديف وآخرون تحسين هاريس هوكس للاتصالات ذات إنترنت الأشياء الموفرة للطاقة، بينما استكشف توونغ وآخرون التعلم المعزز العميق للازدواجيات الهرمية في أنظمة إنترنت الأشياء اللاسلكية. تسلط الأعمال الحديثة 8,9 الضوء على كيف يمكن لطرق التعلم التعزيزي المتقدمة، مثل تحسين السياسات القريبة والأطر متعددة الوكلاء الموزعة، أن تعزز التكيف بشكل أكبر في بيئات إنترنت الأشياء واسعة النطاق.
يقدم هذا البحث نموذجا جديدا للاتصال الهجين يجمع بشكل مشترك بين ترميز الشبكة (NC) وخوارزمية الفاعل-الناقد الناعم (SAC) لتحقيق توجيه ذكي واع بالطاقة في شبكات إنترنت الأشياء الأساسية. على عكس الأساليب السابقة التي تستخدم التعلم المستمر أو التعلم المعزز بشكل مستقل أو تستخدم نماذج التعلم المنطقي العميق ذات الفعل المتقطع، تستخدم هذه الدراسة صياغة SAC ذات التنظيم المستمر للعمل المستمر لتحسين قرارات التوجيه ديناميكيا بناء على حالة الشبكة، بما في ذلك مستويات الطاقة، واستقرار الرابط، وحالة مخزن الحزم. يتيح دمج NC تقليل إعادة الإرسال وتحسين استخدام النطاق الترددي، بينما يضمن SAC اختيار المسار التكيفي لموازنة حمل الشبكة والحفاظ على طاقة العقدة. تقدم هذه الآلية المزدوجة نموذجا جديدا للتواصل المبرمج القائم على التعلم، محققة مكاسب قابلة للقياس في كفاءة الطاقة، ومعدل النقل، ونسبة تسليم الحزم، وعمر الشبكة مقارنة بالطرق الحالية.
قمنا بتنفيذ واختبار الإطار المقترح باستخدام بيئة محاكاة NS-3، حيث نشرنا شبكة 5×5 من عقد إنترنت الأشياء تحت أحمال حركة حركة مختلفة. تم تحديد حجم الحزم والمسافة ونماذج طاقة النقل بعناية لتعكس ظروف إنترنت الأشياء الواقعية. من خلال هذه المحاكاة، قمنا بتقييم المقاييس الرئيسية بما في ذلك نسبة تسليم الحزم (PDR)، ومعدل النقل، وعمر الشبكة، وكفاءة الطاقة. النتائج كما يلي: مقارنة بالنماذج التقليدية للتوجيه والنماذج المستقلة، خفض نظام NC + SAC الهجين استهلاك الطاقة بنسبة تقارب 40٪، وحسن معدل النقل بنسبة 50٪، ومدد عمر الشبكة بشكل كبير، وكل ذلك مع الحفاظ على نسبة توصيل حزم تقارب 97٪.
بعيدا عن التحسينات العددية، تكمن القوة الحقيقية لهذا العمل في قابليته للتوسع وقابليته للتكيف. مع استمرار نمو شبكات إنترنت الأشياء في الحجم والتعقيد، ستكون الحلول التي تتكيف ديناميكيا مع الظروف المتغيرة أمرا حيويا. هذا الإطار الهجين لا يعالج فقط القضية الفورية لحفظ الطاقة، بل يمهد أيضا الطريق لأنظمة إنترنت الأشياء الذاتية المستقلة والقادرة على التحسين الذاتي التي يمكنها الاستمرار في عمليات النشر الواقعية. يحتوي الجدول 1 على سجلات الأداء لمعايير مثل استهلاك الطاقة، نسبة تسليم الحزم، عمر الشبكة، ومعدل النقل. يقدم الجدول 2 ملخصا للنتائج المستخلصة من التجربة. علاوة على ذلك، يظهر دمج التعلم المعزز في شبكات إنترنت الأشياء إمكانات البروتوكولات المدعومة بالذكاء الاصطناعي لإعادة تشكيل طريقة تفاعل الأجهزة في البيئات المحدودة الموارد.
تعزز التطورات الحديثة في استراتيجيات الاتصال الذكي الحاجة إلى أطر توجيه إنترنت الأشياء التكيفية والمستدامة 10,11,12. غالبا ما تفشل بروتوكولات التوجيه التقليدية القائمة على التجميع أو التوجيه الثابت في استيعاب تحديات الشبكة الديناميكية مثل تقلبات جودة الروابط، وتغير مستويات طاقة العقد، والتداخل، مما قد يؤدي إلى تدهور سريع في الأداء وفشل العقد المبكر. أظهرت الأساليب الحديثة القائمة على التعلم المعزز إمكانات قوية في معالجة هذه القضايا من خلال تمكين أجهزة إنترنت الأشياء من تعلم استراتيجيات النقل المثلى ديناميكيا من خلال التفاعل المستمر مع البيئة 10,11,12. وفي الوقت نفسه، أظهر ترميز الشبكة فائدته في تقليل الإرسال المتكرر وتحسين كفاءة الطيف في بيئات الشبكات المقيدة 5,13,14. ومع ذلك، تقيم معظم الدراسات الحالية هذه التقنيات بشكل مستقل وليس مجتمعة. لذلك، فإن دمج NC مع طريقة تعلم تعزيز التحكم المستمر مثل Soft Actor-Critic يقدم آلية تواصل أكثر قوة وذكاء قادرة على التكيف مع التغيرات الفورية مع توفير الطاقة15,16. هذا النموذج الهجين لا يعزز فقط مرونة واستقلالية شبكات إنترنت الأشياء، بل يتماشى أيضا مع الاتجاهات البحثية الناشئة في أنظمة الاتصالات الخضراء وبنى الاتصالات اللاسلكية المعتمدة على التعلم الآلي لنشر مستدام واسع النطاق.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
سير عمل نقل البيانات ومعالجة الحزم
تهيئة العقدة: تبدأ كل عقدة بمعلومات كاملة عن طوبولوجيا الشبكة، وأقصى سعة طاقية لها، ووكيل SAC مدرب مسبقا جاهز لاتخاذ القرار. يتم تفعيل وحدة ترميز الشبكة وتستعد لعمليات دمج الحزم.
عملية ترميز الحزم: عند بدء الإرسال، تجمع العقد المصدرية عدة حزم بيانات من أجهزة الاستشعار. تجمع وحدة ترميز الشبكة هذه الحزم في حزم مشفرة أقل باستخدام عمليات رياضية فعالة، مما يقلل بشكل كبير من إجمالي عدد الإرسالات المطلوبة.
تنفيذ قرارات توجيه SAC: يقوم وكيل SAC بتحليل حالة الشبكة الحالية، بما في ذلك مستويات طاقة الجيران، جودة الرابط، حالة حركة المرور، ومسافة الوجهة. تختار الجار الأمثل للقفزة التالية بناء على سياسته المستفادة، مع إعطاء الأولوية لكفاءة الطاقة والموثوقية.
إعادة توجيه الحزم متعددة القفزات: تسير الحزم المشفرة عبر المسار المحدد. تقرر العقد الوسيطة ما إذا كانت ستدمج الحزم أكثر أو ترسل مباشرة إلى المخزون، بناء على حالة المخزن المؤقت الحالية ومستويات الطاقة المتبقية.
حساب وتخزين المكافأة: بعد كل إرسال، يحسب النظام درجة المكافأة بناء على نجاح التسليم، والطاقة المستخدمة، وتأخير الإرسال، وإسقاط الحزم. يتم تخزين هذه المعلومات للمكافأة ليتعلم منها وكيل SAC.
تحديث التعلم المستمر: يقوم وكيل SAC بمراجعة التجارب المخزنة بانتظام وتحديث استراتيجيته لاتخاذ القرار ليصبح أفضل في اختيار المسارات الموفرة للطاقة مع الحفاظ على أداء تسليم عالي.
بنية النظام
تعمل العقدة النموذجية كما يلي: تستشعر البيانات وتجمعها، وتشفرها باستخدام ترميز الشبكة، ثم ترسل الحزمة المشفرة عبر مسار توجيه يختاره وكيل SAC. يقوم عامل SAC بتقييم حالة العقدة، بما في ذلك الطاقة المتبقية، وحالة المخزن، وجودة الرابط، لتحديد القفزة المثلى التالية. هذه العملية ديناميكية وتتطور من خلال الخبرة مع تغير ظروف الشبكة. سيوضح الشكل 1 تدفق البيانات والتفاعل بين المكونات.
معادلة ترميز الشبكة
يتم تطبيق ترميز الشبكة على العقد الوسيطة كما يلي:
حيث Ci هي الحزمة المشفرة، α ij هو معامل الترميز (تم تعلمه عبر SAC)، وPj هي الحزم الأصلية. وهذا يسمح للشبكة بتقليل عدد الإرساليات وتحسين الموثوقية.
وظيفة الهدف في SAC
يقوم عامل SAC بتحسين السياسة باستخدام الهدف التالي المنظم بالإنتروبيا:
حيث r(st, at) هو المكافأة، α هو معامل مقايضة للاستكشاف، وH هو مصطلح الإنتروبيا.
نموذج استهلاك الطاقة
لمحاكاة الاستخدام الواقعي للطاقة، يستخدم النموذج التالي:
حيث: Eكهربائي- هي الطاقة لكل بت لتشغيل المرسل/المستقبل، - k هو حجم البيانات بالبت، -
هي الطاقة المطلوبة من مضخم المرسل، - هي المسافة بين العقد، -d هو أس فقدان المسار.
مقاييس التقييم
تم استخدام مقاييس الأداء التالية في المحاكاة في هذه الدراسة:
نسبة تسليم الحزم (PDR):
معدل الإنتاجية:
عمر الشبكة: يعرف بأنه المدة حتى تستنفد 50٪ من عقد الشبكة طاقتها.
كفاءة الطاقة:
الشيفرة الزائفة
تهيئة عقد شبكات إنترنت الأشياء
تقوم هذه الوظيفة بإعداد جميع عقد إنترنت الأشياء في الشبكة قبل بدء تشغيل النظام. يتم تخصيص طاقة قصوى لكل عقدة، ومخزن مؤقت فارغ لتخزين الحزم، وحالة تمثل بيئتها المحلية، ووكيل SAC لتعلم القرارات المثلى، ووحدة NC التي تمكن ترميز البيانات الذكي.
ديف initialize_nodes(الشبكة):
بالنسبة للعقدة في الشبكة:
node.energy = MAX_ENERGY
node.buffer = []
node.state = sense_environment(node)
node.agent = initialize_sac_agent()
node.nc_module = activate_network_coding()
توليد الحزم وترميز الشبكة
هذه الوظيفة مسؤولة عن جمع بيانات المستشعر من العقدة المصدرية، وترميزها باستخدام طريقة ترميز شبكة خطية أو مبنية على XOR، وتحضيرها للإرسال. يقلل من عبء الاتصالات عن طريق تجميع عدة حزم في حزمة مشفرة واحدة، جاهزة للتوجيه عبر الشبكة.
الدفاع generate_and_code_packets(source_node):
data_packets = collect_data(source_node)
coded_packet = network_code(data_packets)
queue_transmission(source_node، coded_packet)
تعريف network_code(حزم):
linear_combination الإرجاع (الحزم)
قرار التوجيه القائم على SAC
هنا، تستخدم العقدة الحالية وكيل SAC الخاص بها لتحليل حالة الشبكة واختيار الجار الأكثر كفاءة في الطاقة وموثوقية لإرسال الحزم إليه. يستند القرار إلى السياسات المتعلمة والظروف البيئية الحالية، مثل جودة الروابط أو الطاقة المتبقية.
الدفاع select_next_hop(current_node):
current_state = observe_network_state(current_node)
الفعل = sac_agent_policy(current_node.agent, current_state)
next_hop = map_action_to_neighbor(حركة)
next_hop
إرسال الحزم وحلقة التغذية الراجعة
تدير هذه الدالة الإرسال الفعلي للحزمة المشفرة. بعد تحديد أفضل قفزة تالية، يتم إرسال الحزمة إذا كان الرابط صالحا. ثم يحسب النظام مكافأة بناء على نجاح النقل واستهلاك الطاقة، والتي تستخدم لتحديث نموذج التعلم لوكيل SAC.
def transmit_packet(current_node، الحزمة):
next_hop = select_next_hop(current_node)
إذا is_link_valid(current_node، next_hop):
إرسال (حزمة، next_hop)
المكافأة = compute_reward(current_node، حزمة)
update_sac_agent(current_node، مكافأة)
غير ذلك:
recompute_next_hop(current_node)
تحديث وكيل SAC (مرحلة التعلم)
بمجرد إرسال الحزمة، تقوم هذه الوظيفة بتحديث وكيل SAC. يسجل التغير في الحالة، ويخزن التجربة في الذاكرة، وإذا جمعت خبرة كافية، يستخدم دفعة عينة لتحسين استراتيجية اتخاذ القرار لدى الوكيل. هذا يساعد العقدة على التكيف مع تغيرات الشبكة مع مرور الوقت.
التعريف update_sac_agent(عقدة، مكافأة):
new_state = observe_network_state(عقدة)
store_transition(node.agent.memory، node.state، node.action، reward، new_state)
إذا enough_experience(node.agent.memory):
batch = sample_batch(node.agent.memory)
node.agent = optimize_sac(node.agent، دفعة)
node.state = new_state
فك التشفير عند المستقبل
عند الوجهة، تستقبل هذه الدالة جميع الحزم المشفرة المستلمة وتعيد تشفيرها إلى البيانات الأصلية باستخدام طرق مثل الحذف الغاوسي. ثم يتم تمرير البيانات المسترجعة إلى طبقة التطبيق أو العملية المناسبة.
الدفاع decode_packet(destination_node):
received_packets = destination_node.buffer
original_data = فك الترميز (received_packets)
deliver_data(original_data)
فك تشفير DEF (الحزم):
gaussian_elimination الإرجاع (الحزم)
مراقبة الطاقة ومنطق نوم العقد
تتبع هذه الوظيفة مستويات طاقة كل عقدة وتحدد ما إذا كان يجب على العقدة الاستمرار في العمل أو التحول إلى وضع السكون للحفاظ على الطاقة. إذا كانت الطاقة كافية، تخصم العقدة تكاليف النقل الكهربائية؛ وإذا لم يكن كذلك، فإنه يغلق مؤقتا لتمديد عمر الشبكة بشكل عام.
التعريف monitor_energy(عقدة):
إذا كانت NODE.energy < العتبة:
put_node_to_sleep(عقدة)
else: node.energy -= transmission_cost()
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
أجرينا محاكاة تقارن بين أربعة أساليب مختلفة: (1) نموذج تقليدي بدون تحسين، (2) نظام يستخدم فقط ترميز الشبكة (NC)، (3) إعداد يستخدم فقط خوارزمية الفاعل-الناقد الناعم (SAC) للتوجيه، و(4) النموذج الهجين المقترح الذي يجمع بين NC وSAC.
استهلاك الطاقة
لوحظ أكبر تحسن في كفاءة الطاقة. تستهلك شبكات إنترنت الأشياء التقليدية الطاقة بسرعة بسبب الاعتماد على المسارات الثابتة وإعادة الإرسال المتكررة عند فقدان الحزم. دمج NC حسن الكفاءة من خلال تقليل إعادة ا...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يقدم هذا البحث استراتيجية تواصل جديدة واعية للطاقة لشبكات إنترنت الأشياء الأساسية تدمج ترميز الشبكات (NC) مع خوارزمية التعلم المعزز الفاعل-الناقد الناعم (SAC). الهدف من هذا النهج الهجين هو تقليل استهلاك الطاقة مع الحفاظ على نقل بيانات موثوق وفعال. يقلل NC من الإرسال الزائدة عن طريق ترميز حزم البيانات، بينما يتعلم SAC ديناميكيا ويختار مسارات التوجيه الموفرة للطاقة بناء على حالات الشبكة المرصودة. تؤكد نتائج المحاكاة المعروضة أن طريقة NC + SAC الهجينة تتفوق بشكل كبير على كل من التوجيه التقل...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
المؤلفون ليس لديهم ما يكشفون عنه.
شكر وتقدير
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
نود أن نعبر عن شكرنا لكلية أكسفورد للهندسة وجامعة جاين المعروفة على دعمهم ومواردهم.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| 6 جيجابايت NVIDIA GeForce RTX 3050 (نظام حاسوب) | nVidia | https://www.nvidia.com/en-in/geforce/graphics-cards/30-series/rtx-3050/ | للمحاكاة والتدريب: ذاكرة المعالج: 16 جيجابايت، ذاكرة بطاقة الرسوميات |
| AMD Ryzen (نظام حاسوبي) | AMD | رايزن 7 | للمحاكاة والتدريب: المعالج |
| منصة اختبار الأجهزة (عمل اختياري مستقبلي) | Raspberry Pi | https://www.raspberrypi.com/products/raspberry-pi-4-model-b/ | عقد Raspberry Pi 4 مع وحدات لاسلكية لنشر والتحقق من إنترنت الأشياء في العالم الحقيقي |
| إنتل كور i7 (نظام حاسوبي) | إنتل كور | معالج i7-7700 | للمحاكاة والتدريب: المعالج |
| دفتر جوبيتر | جوبيتر | https://jupyter.org/ | بيئة للتطوير التكراري، والتصحيح، والتصوير |
| ماتبلوتليب | بايثون | https://matplotlib.org/ | مكتبات التصور البصري ببايثون لرسم مقاييس الأداء (الطاقة، معدل الإنتاجية، PDR، عمر الشبكة) |
| وحدة ترميز الشبكة | تكامل بايثون وNS-3 المخصص لتنفيذ ترميز الشبكات الخطية وترميز الحزم | ||
| محاكي NS-3 | NS-3 | nsnam.org | محاكي شبكات الأحداث المنفصلة مفتوح المصدر يستخدم لمحاكاة شبكة إنترنت الأشياء وتقييم التوجيه |
| NumPy | نومباي | numpy.org | حزم بايثون لمعالجة سجلات المحاكاة، والتحليل الإحصائي، ومجموعات البيانات المنظمة |
| الباندا | pandas.pydata.org | حزم بايثون لمعالجة سجلات المحاكاة، والتحليل الإحصائي، ومجموعات البيانات المنظمة | |
| بايثون 3.10 | بايثون | الإصدار 3.10.0 | لغة البرمجة المستخدمة في تدريب وكلاء SAC، وتحسين معاملات البرمجة، ومعالجة البيانات |
| بايتورش | بايتورش | https://pytorch.org/ | مكتبة التعلم العميق لتنفيذ خوارزمية الممثل-الناقد الناعم ونماذج التعلم المعزز |
| سيبورن | بايثون | https://seaborn.pydata.org/ | مكتبات التصور البصري ببايثون لرسم مقاييس الأداء (الطاقة، معدل الإنتاجية، PDR، عمر الشبكة) |
| أوبونتو 20.04 (نظام حاسوبي) | أوبونتو | الإصدار 20.04 | للمحاكاة والتدريب: نظام التشغيل |
المراجع
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
- Leong, W. Internet of things for enhancing public safety, disaster response, and emergency management. Eng Proc. 92 (1), 61(2025).
- Ghermezcheshmeh, M., Razlighi, M. M., Shah-Mansouri, V., Zlatanov, N. Centralized dynamic-time division duplex utilizing interference alignment. IEEE Transactions on Wireless Communications. 20 (10), 68526866(2021).
- Baliga, J., Ayre, R. W. A., Hinton, K., Tucker, R. S. Green cloud computing: balancing energy in processing, storage, and transport. Proceedings of the IEEE. 99 (1), 149-167 (2011).
- Byzantine modification detection in multicast networks using randomized network coding. Ho, T., et al. International Symposium onInformation Theory, 2024. ISIT 2004. Proceedings, Chicago, IL, USA, , (2004).
- Towards effective intra-flow network coding in software-defined wireless mesh networks. Zhu, D., Yang, X., Zhao, P., Yu, W. 2015 24th International Conference on Computer Communication and Networks (ICCCN), Las Vegas, NV, USA, , (1109).
- Zhang, Y., et al. Deep actor-critic learning for wireless network routing optimization. IEEE Trans Mob Comput. 21 (10), 3502-3516 (2022).
- Dev, K., et al. Energy optimization for green communication in IoT using Harris hawks optimization. IEEE Trans Green Commun Network. 6 (4), 2135-2147 (2022).
- Tuong, V., et al. Deep reinforcement learning-based hierarchical time division duplexing control. IEEE Trans Wirel Commun. 21 (10), 8504-8518 (2022).
- Wang, Y., et al. Reinforcement learning for energy-efficient IoT: a survey of recent advances. IEEE Internet Things J. 10 (2), 1679-1693 (2023).
- Zhang, H., et al. Intelligent energy-efficient IoT networking using proximal policy optimization. Sensors. 24 (1), 115(2024).
- Raza, O. Energy-efficient IoT networks using AI-driven approaches. Smart Internet Things. 1 (3), 203212(2024).
- Yuan, J., Peng, J., Yan, Q., He, G., Xiang, H., Liu, Z. Deep reinforcement learning-based energy consumption optimization for peer-to-peer communication in wireless sensor networks. Sensors. 24 (5), 1632(2024).
- INCdeep: Intelligent network coding with deep reinforcement learning. Wang, Q., et al. IEEE INFOCOM 2021 - IEEE Conference on Computer Communications, Vancouver, BC, Canada, , (1109).
- Al-Dulaimi, A., et al. Network-coding-assisted IoT communication for high-throughput data delivery. Ad Hoc Networks. 137, 102901(2022).
- Eriş, Ç, Gül, ÖM., Bölük, P. S. A novel reinforcement learning based routing algorithm for energy management in networks. J Ind Manag Optim. 20 (12), 3678-3696 (2024).
- Arslan, S., Darterler, S., Aydemir, F. Reinforcement learning for energy optimization in IoT based landslide early warning systems. J Sci Rep A. 59 (1), 32-57 (2024).
- Green IoT: advancements and sustainability with environment by 2050. Sharma, N., Panwar, D. 8th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO), Noida, India, , (2020).
- Dynamic time division duplexing for green internet of things. Tuong, V., Dao, N., Noh, W., Cho, S. 2022 International Conference on Information Networking (ICOIN), Jeju-si, Republic of Korea, , (2022).
- Zhu, X., Wu, Q., Fan, Q., Fan, P., Wang, J., Li, Z. Deep reinforcement learning based power allocation for minimizing age-of-information and energy consumption in MIMO-NOMA IoT systems. arXiv. , (2023).
- Han, G., Liu, L., Jiang, J., Shu, L., Hancke, G. Analysis of energy efficient connected target coverage algorithms for industrial wireless sensor networks. IEEE Trans Industr Inform. 13 (2), 135-143 (2017).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
إعادة الطباعة والأذونات
طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه
طلب إذن