מחקר זה משלב קידוד רשת עם למידת חיזוק רכה של שחקנים ומבקרים, כדי להשיג ניתוב חסכוני באנרגיה ברשתות IoT מרכזיות, ומדגים הפחתה של 40% בצריכת האנרגיה עם יחס אספקת חבילות של 97%.
מאמר מחקר
לקראת IoT ירוק: חיסכון באנרגיה ברשת IoT מרכזית באמצעות קידוד רשת ומבקר שחקן רך
נפתח בלשונית חדשה
במאמר זה
סיכום
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
תקציר
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
ההתרחבות המהירה של רשתות האינטרנט של הדברים (IoT) הגבירה את אתגרי היעילות האנרגטית ברשתות IoT ליבה, שבהן ניתוב נתונים דורש דרישות גבוהות לאנרגיית צמתים. מאמר זה מציע מודל היברידי המשלב קידוד רשת (NC) עם למידת חיזוק רכה של שחקן-מבקר (SAC) כדי להתמודד עם אתגרים אלו. NC ממזער שידורים מיותרים על ידי שילוב חבילות, בעוד שסוכני SAC בוחרים באופן דינמי מסלולי ניתוב מודעים לאנרגיה בהתבסס על מצב צומת, איכות קישור ואנרגיה שאריתית.
המערכת יושמה באמצעות סימולטור NS-3 עם טופולוגיית רשת של 5 × 5 של צמתים של IoT (חבילות של 512 בתים, זמן ריצה של 100 שניות) בתנאי תעבורה משתנים. התוצאות מראות כי NC + SAC משיג הפחתה של 40% בצריכת האנרגיה, יחס אספקת חבילות של 97%, שיפור של 50% בתפוקה והארכת חיי הרשת בהשוואה לשיטות ניתוב ושיטות עצמאיות מסורתיות.
התרומות המרכזיות כוללות אינטגרציה חדשנית בין NC-SAC, אימות NS-3 מקיף במדדים שונים, והדגמה של תקשורת מקודדת מונחית למידה לתשתיות IoT ברות קיימא. הגישה ההיברידית מאזנת בין אמינות, שימור אנרגיה וביצועים, ומציעה מסגרת ניתנת להרחבה לרשתות IoT ירוקות מהדור הבא.
מבוא
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
האינטרנט של הדברים (IoT) הפך לאחת הטכנולוגיות המהפניות ביותר במאה ה-21, שמחבר בצורה חלקה מיליארדי מכשירים כדי לאפשר בתים, ערים, תעשיות ומערכות בריאות חכמיםיותר. עם הצמיחה חסרת התקדים הזו, עם זאת, מגיע אתגר דחוף: סוגיית צריכת האנרגיה. מכשירי IoT, במיוחד אלה המוצבים ברשת הליבה, לעיתים קרובות פועלים על סוללות או מוגבלים במשאבים. ככל שצפיפות המכשירים ותעבורת הנתונים עולה, יעילות אנרגטית הופכת לגורם קריטי להבטחת הקיימות ארוכת הטווח של תשתיות ה-IoT. בהקשר זה, עיצוב אסטרטגיות תקשורת וניתוב חכמות שמאזנות בין ביצועים לשימור אנרגיה הוא בעל חשיבות עליונה.
שיטות ניתוב מסורתיות ברשתות IoT מתמקדות לעיתים קרובות בגישות קצרות או ממוקדות אמינות. בעוד שהן יעילות בתרחישים בסיסיים, שיטות אלו לעיתים קרובות גורמות לשידורים מיותרים ולריקון מהיר של אנרגיה, במיוחד בפריסות דינמיות או בקנה מידה גדול 2,3. כדי להתמודד עם ליקויים אלו, חוקרים חקרו טכניקות כמו קידוד רשת (NC), שמפחית את מספר השידורים על ידי שילוב חבילות מרובות לחבילה מקודדת אחת. NC הוכיח שהוא משפר את קצב התפוקה, מפחית השהיה ומייעל את צריכת רוחב הפס. עם זאת, בעוד שקידוד רשת עוצמתי בהפחתת עומס תקשורת, הוא אינו מתחשב ברמות אנרגיית הצמתים או מסתגל לתנאי רשת משתנים 4,5.
כאן קבלת ההחלטות המונעת בלמידת מכונה משחקת תפקיד חיוני. למידת חיזוק (RL) מספקת מסגרת חזקה במיוחד המאפשרת לצמתים של IoT לקבל החלטות אדפטיביות באמצעות אינטראקציה עם הסביבה ולמידה מתגמולים. מבין אלגוריתמי ה-RL, השחקן-מבקר הרך (SAC) זכה לפרסום בזכות יכולתו לאזן בין חקירה לניצול באמצעות רגולריזציה של אנטרופיה6. בניגוד למודלים מסורתיים של למידה מציגתית, SAC מעודד בחירת פעולה מגוונת, ומונע מהמערכת להתכנס מהר מדי לאסטרטגיות תת-אופטימליות. ברשתות IoT מוגבלות באנרגיה, הדבר מתורגם לבחירות ניתוב חכמות יותר שמתאימות לא רק לאיכות הקישורים והצלחת האספקה אלא גם לרמות אנרגיה שאריות בכל צומת.
מחקרים אחרונים מתמקדים יותר ויותר בתפקיד הלמידה החיזוקית באופטימיזציה של תקשורת IoT וניהול אנרגיה. לדוגמה, Dev ואחרים השתמשו באופטימיזציה של Harris Hawks לתקשורת IoT חסכונית באנרגיה, בעוד טואונג ואח' חקרו למידת חיזוק עמוקה לדופלקסינג היררכי במערכות IoT אלחוטיות. עבודות עדכניותיותר, 8,9, מדגישות כיצד שיטות למידה מתקדמות לחיזוק, כגון אופטימיזציה למדיניות קרובה ומסגרות רב-סוכניות מבוזרות, יכולות לשפר עוד יותר את הגמישות בסביבות IoT בקנה מידה גדול.
מחקר זה מציג מודל תקשורת היברידי חדשני המשלב במשותף קידוד רשת (NC) עם אלגוריתם השחקן-מבקר הרך (SAC) להשגת ניתוב חכם מודע לאנרגיה ברשתות IoT מרכזיות. בניגוד לגישות קודמות שהשתמשו בלמידת NC או חיזוק באופן עצמאי או משתמשות במודלים של RL עמוק בפעולה בדידה, מחקר זה עושה שימוש בניסוח פעולה רציפה רגולריזציית אנטרופיה של SAC כדי לאופטימיזציה דינמית החלטות ניתוב בהתבסס על מצב הרשת, כולל רמות אנרגיה, יציבות קישור ומצב מאגר מנות. שילוב NC מאפשר הפחתת שידורים חוזרים ושיפור ניצול רוחב הפס, בעוד ש-SAC מבטיח בחירת מסלול אדפטיבית לאיזון עומס הרשת ולחיסכון באנרגיית הצמתים. מנגנון כפול זה מציג פרדיגמה חדשה של תקשורת מקודדת מונחית למידה, ומשיג שיפורים מדידים ביעילות אנרגטית, קצב תפוקה, יחס אספקת מנות ואורך חיי הרשת בשיטות קיימות.
יישמנו ובדקנו את המסגרת המוצעת באמצעות סביבת הסימולציה NS-3, תוך פריסת רשת של 5×5 צמתים IoT תחת עומסי תנועה משתנים. מודלים של גודל המנות, המרחק ואנרגיית ההעברה הוגדרו בקפידה כדי לשקף תנאי IoT ריאליסטיים. באמצעות סימולציות אלו, הערכנו מדדים מרכזיים כולל יחס אספקת מנות (PDR), קצב העברה, אורך החיים של הרשת ויעילות אנרגטית. התוצאות הן כדלקמן: בהשוואה למודלים המסורתיים של ניתוב ומודלים עצמאיים, מערכת ההיברידית NC + SAC הפחיתה את צריכת האנרגיה בכמעט 40%, שיפרה את התפוקה ב-50%, והאריכה משמעותית את חיי הרשת, וכל זאת תוך שמירה על יחס אספקת מנות קרוב ל-97%.
מעבר לשיפורים המספריים, החוזק האמיתי של עבודה זו טמון ביכולת ההרחבה וההסתגלות שלה. ככל שרשתות ה-IoT ממשיכות לגדול בגודל ובמורכבות, פתרונות שמתאימים את עצמם באופן דינמי לתנאים משתנים יהיו חיוניים. מסגרת היברידית זו לא רק מתמודדת עם הבעיה המיידית של חיסכון באנרגיה, אלא גם מהווה את הדרך למערכות IoT אוטונומיות, שיכולות להתקיים בפריסות אמיתיות. טבלה 1 מכילה את יומני הביצועים של פרמטרים כמו צריכת אנרגיה, יחס אספקת מנות, אורך חיים של הרשת וקצב העברה. טבלה 2 מספקת סיכום של התוצאות שנלקחו מהניסוי. יתרה מזאת, השילוב של למידת חיזוק ברשתות IoT מדגים את הפוטנציאל של פרוטוקולים מונעי בינה מלאכותית לשנות את אופן האינטראקציה של מכשירים בסביבות מוגבלות משאבים.
ההתקדמות האחרונה באסטרטגיות תקשורת חכמה מחזקת עוד יותר את הצורך במסגרות ניתוב IoT אדפטיביות וברות קיימא 10,11,12. פרוטוקולי ניתוב מסורתיים מבוססי אשכולות או סטטיים לעיתים קרובות אינם מתאימים לאתגרים דינמיים ברשת כמו תנודות באיכות הקישורים, רמות אנרגיה שונות בצמתים והפרעות, מה שעלול להוביל להידרדרות מהירה בביצועים ולכישלונות מוקדמים בצמתים. גישות מודרניות מבוססות למידת חיזוק הראו פוטנציאל חזק בהתמודדות עם בעיות אלו, על ידי מתן אפשרות למכשירי IoT ללמוד באופן דינמי אסטרטגיות שידור אופטימליות באמצעות אינטראקציה מתמשכת עם הסביבה 10,11,12. במקביל, קידוד רשת הוכיח את יעילותו בהפחתת שידורים מיותרים ובשיפור היעילות הספקטרלית בסביבות רשת מוגבלות 5,13,14. עם זאת, רוב המחקרים הקיימים מעריכים טכניקות אלו באופן עצמאי ולא משולבות. לכן, שילוב NC עם שיטת חיזוק בקרה רציפה כמו Soft Actor-Critic מציג מנגנון תקשורת חזק וחכם יותר המסוגל להסתגל לשינויים בזמן אמת תוך חיסכון באנרגיה15,16. הפרדיגמה ההיברידית הזו לא רק מחזקת את החוסן והאוטונומיה של רשתות ה-IoT, אלא גם מתיישבת עם מגמות מחקר מתפתחות במערכות תקשורת ירוקות וארכיטקטורות אלחוטיות מבוססות למידת מכונה לפריסות רחבות היקף ברות קיימא.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
תהליך העברת נתונים ועיבוד מנות
אתחול צומת: כל צומת מתחיל עם מידע טופולוגי רשת מלא, קיבולת האנרגיה המרבית שלו, וסוכן SAC מאומן מראש המוכן לקבלת החלטות. מודול קידוד הרשת מופעל ומתכונן לפעולות שילוב חבילות.
תהליך קידוד מנות: כאשר השידור מתחיל, צמתים מקור אוספים מספר חבילות נתונים מחיישנים. מודול קידוד הרשת משלב חבילות אלו בפחות חבילות מקודדות באמצעות פעולות מתמטיות יעילות, ומפחית משמעותית את מספר השידורים הכולל הנדרש.
ביצוע החלטות ניתוב SAC: סוכן ה-SAC מנתח את מצב הרשת הנוכחי, כולל רמות האנרגיה של השכנים, איכות הקישור, תנאי התנועה ומרחק היעד. היא בוחרת את השכן האופטימלי של הקפיצה הבאה בהתבסס על המדיניות שלמדה, תוך מתן עדיפות ליעילות אנרגטית ואמינות.
העברת חבילות רב-קפיצות: חבילות מקודדות עוברות דרך המסלול שנבחר. צמתים ביניים מחליטים האם לשלב חבילות נוספות או להעביר אותן ישירות, בהתבסס על מצב הבופר הנוכחי ורמות האנרגיה שנותרו.
חישוב ואחסון תגמולים: לאחר כל שידור, המערכת מחשבת ציון תגמול המבוסס על הצלחת המסירה, אנרגיה שנצרכה, עיכוב שידור והטלת מנות. מידע התגמול הזה נשמר כדי שסוכן ה-SAC יוכל ללמוד ממנו.
עדכון למידה מתמשך: סוכן SAC בוחן באופן קבוע חוויות מאוחסנות ומעכב את אסטרטגיית קבלת ההחלטות שלו כדי להשתפר בבחירת מסלולים חסכוניים באנרגיה תוך שמירה על ביצועי אספקה גבוהים.
ארכיטקטורת מערכת
צומת טיפוסי פועל כך: הוא מזהה ואוסף נתונים, מקודד אותם באמצעות קידוד רשת, ואז מעביר את החבילה המקודדת דרך מסלול ניתוב שנבחר על ידי סוכן ה-SAC. סוכן ה-SAC מעריך את מצב הצומת, כולל האנרגיה שנותרה, מצב המאגר ואיכות הקישור, כדי להחליט על הקפיצה האופטימלית הבאה. תהליך זה דינמי ומתפתח דרך הניסיון ככל שתנאי הרשת משתנים. איור 1 ימחיש את זרימת הנתונים ואת האינטראקציה בין הרכיבים.
משוואת קידוד רשת
קידוד רשת מיושם בצמתים ביניים כדלקמן:
כאשר Ci היא החבילה המקודדת, α ij הוא מקדם הקידוד (נלמד דרך SAC), ו-Pj הן החבילות המקוריות. דבר זה מאפשר לרשת להפחית את מספר השידורים ולשפר את האמינות.
פונקציית המטרה של SAC
סוכן ה-SAC מייעל את המדיניות באמצעות המטרה המוסדרת באנטרופיה הבאה:
כאשר r(st, at) הוא התגמול, α הוא פרמטר פשרה לחקירה, ו-H הוא מונח האנטרופיה.
מודל צריכת האנרגיה
כדי לדמות שימוש ריאליסטי באנרגיה, נעשה שימוש במודל הבא:
כאשר: Eelec- היא אנרגיה לכל ביט להפעלת המשדר/מקלט, - k הוא גודל הנתונים בביטים, -
הוא האנרגיה הנדרשת על ידי מגבר המשדר, - הוא המרחק בין הצמתים, -d הוא מעריך אובדן המסלול.
מדדי הערכה
מדדי הביצועים הבאים שימשו בסימולציות במחקר זה:
יחס משלוח חבילות (PDR):
קצב העברה:
אורך חיי הרשת: מוגדר כמשך עד ש-50% מהצמתים ברשת מוצאים את האנרגיה שלהם.
יעילות אנרגטית:
פסאודוקוד
אתחול של צמתים ברשת IoT
פונקציה זו מגדירה את כל צמתי ה-IoT ברשת לפני שהמערכת מתחילה לפעול. לכל צומת מוקצה אנרגיה מרבית, מאגר ריק לאחסון חבילות, מצב המייצג את הסביבה המקומית שלו, סוכן SAC ללמידת החלטות מיטביות, ומודול NC שמאפשר קידוד נתונים חכם.
def initialize_nodes(רשת):
לצומת ברשת:
node.energy = MAX_ENERGY
node.buffer = []
node.state = sense_environment(node)
node.agent = initialize_sac_agent()
node.nc_module = activate_network_coding()
יצירת מנות וקידוד רשת
פונקציה זו אחראית על איסוף נתוני חיישנים מהצומת המקור, קידודו באמצעות שיטת קידוד רשת ליניארית או מבוססת XOR, והכנתם לשידור. הוא מפחית את עומס התקשורת על ידי איחוד חבילות מרובות לחבילה מקודדת אחת, המוכנה להעברה דרך הרשת.
הגנה generate_and_code_packets(source_node):
data_packets = collect_data(source_node)
coded_packet = network_code(data_packets)
queue_transmission(source_node, coded_packet)
def network_code(חבילות):
החזרה linear_combination(חבילות)
החלטת ניתוב מבוססת SAC
כאן, הצומת הנוכחי משתמש בסוכן ה-SAC שלו כדי לנתח את מצב הרשת ולבחור את השכן היעיל והאמין ביותר להעברת החבילה. ההחלטה מבוססת על מדיניות שנלמדה ותנאים סביבתיים עכשוויים, כמו איכות קישור או אנרגיה שאריתית.
def select_next_hop(current_node):
current_state = observe_network_state(current_node)
פעולה = sac_agent_policy(current_node.agent, current_state)
next_hop = map_action_to_neighbor(פעולה)
חזרה next_hop
העברת מנות ולולאת משוב
פונקציה זו מנהלת את השידור בפועל של חבילה מקודדת. לאחר קביעת הקפיצה הבאה הטובה ביותר, החבילה נשלחת אם הקישור תקף. המערכת מחשבת תגמול בהתבסס על הצלחה בשידור וצריכת אנרגיה, המשמש לעדכון מודל הלמידה של סוכן SAC.
def transmit_packet(current_node, חבילה):
next_hop = select_next_hop(current_node)
אם is_link_valid(current_node, next_hop):
שלח(חבילה, next_hop)
פרס = compute_reward(current_node, חבילה)
update_sac_agent(current_node, פרס)
אחר:
recompute_next_hop(current_node)
עדכון סוכן SAC (שלב הלמידה)
לאחר שידור חבילה, פונקציה זו מעדכנת את סוכן ה-SAC. הוא מתעד את השינוי במצב, שומר את החוויה בזיכרון, ואם נאסף מספיק ניסיון, הוא משתמש באצווה לדוגמה כדי לשפר את אסטרטגיית קבלת ההחלטות של הסוכן. זה עוזר לצומת להסתגל לשינויים ברשת לאורך זמן.
הגנה update_sac_agent(צומת, פרס):
new_state = observe_network_state(צומת)
store_transition(node.agent.memory, node.state, node.action, reward, new_state)
אם enough_experience(node.agent.memory):
batch = sample_batch(node.agent.memory)
node.agent = optimize_sac(node.agent, אצווה)
node.state = new_state
פענוח במקלט
ביעד, פונקציה זו קולטת את כל החבילות המקודדות שהתקבלו ומפענחת אותן חזרה לנתונים המקוריים באמצעות שיטות כמו חיסול גאוסיאני. הנתונים ששחזרו מועברים לשכבת היישום או התהליך המתאימים.
def decode_packet(destination_node):
received_packets = destination_node.buffer
original_data = פענוח (received_packets)
deliver_data(original_data)
def decode(packets):
החזרה gaussian_elimination(חבילות)
ניטור אנרגיה ולוגיקת שינת צמתים
פונקציה זו עוקבת אחר רמות האנרגיה של כל צומת ומחליטה האם על הצומת להמשיך לפעול או לעבור למצב שינה כדי לחסוך באנרגיה. אם האנרגיה מספיקה, הצומת מנכה עלויות הקשורות להעברה; אם לא, הוא נכבה זמנית כדי להאריך את חיי הרשת הכוללים.
def monitor_energy(node):
אם node.energy < סף:
put_node_to_sleep(צומת)
אחרת: node.energy -= transmission_cost()
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
ערכנו סימולציות שהשוו ארבע גישות שונות: (i) מודל מסורתי ללא אופטימיזציה, (ii) מערכת המשתמשת רק בקידוד רשת (NC), (iii) הגדרה המשתמשת רק באלגוריתם השחקן-מבקר הרך (SAC) לניתוב, ו-(iv) המודל ההיברידי המוצע המשלב גם NC וגם SAC.
צריכת אנרגיה
השיפור המשמעותי ביותר נצפה ביעילות האנרגיטית. רשתות IoT מסורתיות צורכות אנרגיה במהירות בשל הסתמכות על מסלולים קבועים ושידורים חוזרים תכופים כאשר מתרחש אובדן מנות. שילוב ה-NC שיפר את היעילות על ידי הפחתת שידור...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
מחקר זה מציג אסטרטגיית תקשורת חדשנית ומודעת לאנרגיה לרשתות IoT מרכזיות, המשלבת קידוד רשת (NC) עם אלגוריתם למידת חיזוק שחקן-מבקר רך (SAC). מטרת הגישה ההיברידית הזו היא למזער את צריכת האנרגיה תוך שמירה על העברת נתונים אמינה ויעילה. NC מפחית שידורים מיותרים על ידי קידוד חבילות נתונים, בעוד ש-SAC לומד ובוחר באופן דינמי מסלולי ניתוב חסכוניים באנרגיה בהתבסס על מצבי רשת שנצפו. תוצאות הסימולציה שהוצגו מאשרות כי שיטת NC + SAC ההיברידית עולה משמעותית הן על ניתוב מסורתי והן בגישות עצמאיות מבחינת יע...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
גילויים
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
למחברים אין מה לחשוף.
תודות
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
ברצוננו להודות למכללת אוקספורד להנדסה ולאוניברסיטת ג'יין לעתיד על תמיכתם ומשאביהם.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| 6GB NVIDIA GeForce RTX 3050 (מערכת מחשב) | nVIDIA | https://www.nvidia.com/en-in/geforce/graphics-cards/30-series/rtx-3050/ | לסימולציה והדרכה: זיכרון המעבד: 16 ג'יגה-בייט, זיכרון כרטיס מסך |
| AMD Ryzen (מערכת מחשבים) | AMD | רייזן 7 | לסימולציה ואימון: מעבד |
| Hardware Testbed (עבודה עתידית אופציונלית) | Raspberry Pi | https://www.raspberrypi.com/products/raspberry-pi-4-model-b/ | צמתים של Raspberry Pi 4 עם מודולים אלחוטיים לפריסה ואימות IoT בעולם האמיתי |
| Intel Core i7 (מערכת מחשבים) | אינטל קור | מעבד i7-7700 | לסימולציה ואימון: מעבד |
| מחברת יופיטר | יופיטר | https://jupyter.org/ | סביבה לפיתוח איטרטיבי, ניפוי שגיאות והדמיה |
| Matplotlib | פייתון | https://matplotlib.org/ | ספריות ויזואליזציה בפייתון לתכנון מדדי ביצועים (אנרגיה, תפוקה, PDR, חיי רשת) |
| מודול קידוד רשת | אינטגרציה מותאמת אישית בין פייתון ל-NS-3 ליישום קידוד רשת ליניארית וקידוד מנות | ||
| סימולטור NS-3 | NS-3 | nsnam.org | סימולטור רשת אירועים בדידים בקוד פתוח המשמש לסימולציה של רשת IoT והערכת ניתוב |
| NumPy | NumPy | numpy.org | חבילות פייתון לטיפול ביומני סימולציה, ניתוח סטטיסטי ומאגרי נתונים מובנים |
| פנדות | pandas.pydata.org | חבילות פייתון לטיפול ביומני סימולציה, ניתוח סטטיסטי ומאגרי נתונים מובנים | |
| פייתון 3.10 | פייתון | גרסה 3.10.0 | שפת תכנות המשמשת לאימון סוכני SAC, אופטימיזציה של מקדמי קידוד ועיבוד נתונים |
| פייטורץ' | פייטורץ' | https://pytorch.org/ | ספריית למידה עמוקה ליישום אלגוריתם Soft Actor-Critic ומודלים של למידה מחזקת |
| סיבורן | פייתון | https://seaborn.pydata.org/ | ספריות ויזואליזציה בפייתון לתכנון מדדי ביצועים (אנרגיה, תפוקה, PDR, חיי רשת) |
| אובונטו 20.04 (מערכת מחשב) | אובונטו | גרסה 20.04 | לסימולציה והדרכה: מערכת הפעלה |
מקורות
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).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
הדפסות חוזרות והרשאות
בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה
בקש הרשאה