19553

۱۹۵۵۳

بهبود مصرف انرژي در پايش جمعي سيار با استفاده از نرخ نمونه برداري تطبيقي

كارشناسي ارشد

طراحي شبكه هاي كامپيوتري

۱۳۹۴-۱۳۹۷

۱۳۹۷/۰۶/۲۵

دكتر رضا برنگي

كامپيوتر

پايش جمعي سيار اخيراً به عنوان يك الگوي جديد پايش ظهور يافته است. در اين مدل افراد با استفاده از وسايل موبايل در اكتساب داده مشاركت مي‌كنند تا يك پايش مؤثر از نظر زمان و هزينه فراهم كنند..چرخه‌ي كاري پايش جمعي سيار شامل چهار مرحله تخصيص وظايف پايش به حسگرها، اكتساب داده‌هاي پايش، انتقال داده‌ها و تجميع داده‌ها مي‌باشد. طبق بررسي‌هاي صورت گرفته تنظيم نرخ نمونه‌برداري يكي از روش‌هاي كاهش مصرف انرژي در مرحله‌ي جمع‌آوري داده‌هاي پايشي مي‌باشد. در طرح پيشنهادي نرخ نمونه‌برداري كاربران را بطور تطبيقي و بر اساس متريك‌هاي تأثيرگذاري مانند كيفيت داده مورد نياز يك درخواست، نرخ تشخيص رويداد در هر ناحيه و تراكم كاربران تعيين نموده‌ايم، هرچه كيفيت داده درخواستي در يك كاربرد بيشتر باشد، با افزايش نرخ نمونه‌برداري (افزايش تعداد كاربران فعال در عمل پايش) مي‌توانيم كيفيت پوشش بهتري را ايجاد نماييم. از طرف ديگر در كاربردهايي با نيازمندي دقت و پوشش پايين، با كاهش نرخ نمونه‌برداري، مصرف انرژي را كاهش خواهيم داد. بدين ترتيب يك موازنه بين كيفيت داده مورد نياز و مصرف انرژي كاربران خواهيم داشت. از طرفي هر چه تراكم كاربران در يك بلوك بيشتر باشد، افزونگي داده بيشتر است لذا در جهت كاهش مصرف انرژي و حذف اكتساب داده‌ زائد، نرخ نمونه‌برداري را در اين حالت كاهش مي‌دهيم. بهبود بعدي انتخاب كاربران پايش‌كننده مناسب از بين انبوه كاربران موجود مي‌باشد. براي اين كار، با استفاده از تكنيك تصميم‌گيري چند معياره تاپسيس به رتبه‌بندي كاربران بر اساس انرژي باقيمانده و مقدار احتمال حضور كاربر در بلوك مورد نظر بر اساس موقعيت مكاني و الگوي حركتي خواهيم پرداخت. بدين ترتيب كاربراني كه مقدار انرژي باقيمانده و همچنين بر اساس الگوي حركتي تكرارشونده آنها، احتمال حضورشان در ناحيه مورد نظر بيشتر است، به عنوان پايش‌كننده فعال انتخاب مي‌شوند. براي بررسي بهينگي طرح پيشنهادي، عملكرد طرح را از نظر مجموع انرژي باقيمانده گره‌ها، هزينه پايش، ميزان پوشش رخدادها و زمان اجرا با طرح پايه مقايسه نموده‌ايم. نتايج ارزيابي نشان مي‌دهد كه طرح پيشنهادي ما در چهار جنبه فوق نسبت به طرح پايه بهبود يافته است.

1397/07/29

Improving energy consumption in mobile crowd sensing using adaptive sampling rate

10/21/2018 12:00:00 AM

Mobile crowd sensing has recently emerged as a new pattern for sensing. In this model, individuals participate in the data collection using mobile devices. The mobile crowd sensing cycle includes four steps: assigning sensing tasks to sensors, acquisition of data, data transfer and data aggregation. The mobile crowd sensing cycle includes four steps in assigning sensing tasks to sensors,data collect , data transfer and data aggregation. According to surveys. adjustment the sampling rate is one of the ways to reduce energy consumption during the collection of data. In the proposal, we determine the sampling rate of users in a comparative manner based on effective metrics such as the required data quality of a request, the rate of event detection in each area, and the density of users. If the requested data quality is greater in one application, by increasing the sampling rate (increasing the number of active users in the sensing operation), we can provide better coverage quality. On the other hand, in applications with low precision and coverage, we will reduce energy consumption by lowering the sampling rate. In this way, we will have a balance between the required data quality and the energy consumption of users. On the other hand, the high density of users in a block leads to more data redundancy Therefore, in order to reduce energy consumption and Remove unnecessary data acquisition, we reduce the sampling rate in this case. The next improvement is to select the Appropriate sensing users from the Total existing users. To do this, using the TOPSIS multi-criteria decision-making technique , we will rank the users based on the remaining energy and the probability of the presence of the user in the block based on the location and motion pattern. Thus Users with more remaining energy and more probability of the presence are selecting as active users. We compared the performance of proposed plan in four aspects of the total remaining energy, the cost of sensing, the degree of coverage, and the run-time with the base plan, evaluation results show that our proposal improves in the four mentioned aspects compared to the basic design.