20661

۲۰۶۶۱

بهينه‌سازي زمان‌بندي ارسال‌ها مبتني بر پروتكل لايه دسترسي IEEE 802.15.4e TSCH در كاربردهاي اينترنت اشياء

كارشناسي ارشد

شبكه هاي كامپيوتري

۱۳۹۵

۱۳۹۷/۱۱/۱۵

دكتر محمد عبداللهي ازگمي - دكتر وصال حكمي

كامپيوتر

در سال‌هاي اخير كاربردهاي زيادي بر روي اينترنت اشياء(IOT) به وجود آمده‌است كه يكي از كاربردهاي اميدواركننده، مرتبط با حوزه‌هاي صنعتي است. برجسته‌ترين استاندارد در حوزه فناوري‌هاي راديويي ويژه گره‌هاي بي‌سيم كم‌توان، استاندارد IEEE 802.15.4 است. امّا اين استاندارد با محدوديت‌هايي از قبيل قابليت اطمينان كم و تأخير نامحدود مواجه است. اخيراً اصلاحيه IEEE 802.15.4e براي غلبه بر اين محدوديت‌ها منتشر شده‌است. بخشي از اين استاندارد در حال ظهور كه در پروتكل لايه كنترل دسترسي به رسانه (MAC) تعريف شده، پروتكل TSCHاست كه نيازمندي‌هاي مصرف انرژي بسيار پايين، قابليت اطمينان بالا و تأخير قطعي را برآورده مي‌كند. در پروتكل IEEE 802.15.4e TSCH، ارسال بسته‌ها بين گره‌هاي شبكه از طريق يك زمان‌بندي هماهنگ مي‌شوند. در اين استاندارد مشخص شده‌است كه هر گره چگونه بايد زمان‌بندي را اجرا كند؛ امّا نحوه محاسبه، ساخت و نگهداري زمان‌بندي TSCH مطرح نشده‌است. روش‌هاي پيشين جهت تعيين سياست زمان‌بندي، براي تضمين گذردهي بهينه متكي به اطلاعات وضعيت كانال (CSI) به صورت لحظه‌اي و دقيق هستند؛ فرضي كه در بسياري سناريوهاي كاربردي محقق نمي‌گردد و در نتيجه، راهكارهاي موجود را براي كاربردهاي علمي غيرواقع‌بينانه مي‌نمايد. در اين پايان‌نامه براي انتساب اسلات‌فريم‌ها ابتدا با فرض اينكه دانش آماري كانال (و نه مقادير دقيق لحظه‌اي) در دسترس است، يك روش زمان‌بندي بهينه (به لحاظ متوسط گذردهي كل شبكه) ارائه مي‌شود. در واقع، تحت فرض CSI آماري، مي‌توان متوسط تعداد بسته‌هاي قابل ارسال توسط هر اتصال در هر اسلات زماني را پيشاپيش به دست آورد و سپس بهينه‌سازي زمان‌بندي را بر اساس متوسط نرخ اتصال‌ها انجام داد. امّا در شرايط واقع‌بينانه‌تر، بايد در نظر داشت كه CSI با زمان عوض مي‌شود و امكان مدل‌سازي دقيق ساختار احتمالاتي آن هم از پيش ميسّر نيست. راهكار پيشنهادي دوم متكي بر در اختيار داشتن دانش آماري CSI از پيش نبوده و در عوض با استفاده از رويكردي مبتني بر يادگيري ماشين به بهينه‌سازي زمان‌بندي ارسال‌ها به صورت فارغ از مدل مي‌پردازد. در مقايسه با كارهاي پيشين انجام گرفته در اين حوزه، روش پيشنهادي به دليل بهره‌برداري از تكنيك يادگيري ماشين، جامعيت بالاتري به لحاظ قابليت بكارگيري در طيف گسترده‌تري از محيط‌هاي عملياتي را فراهم مي‌كند. نتايج نهايي شبيه‌سازي نيز نشان مي‌دهد كه متوسط گذردهي روش پيشنهادي اول %18 و روش پيشنهادي دوم (علي رغم فراغت از مدل) % 15 نسبت به شرايط CSI كامل كم‌تر است.

1398/03/28

Optimizing transmission scheduling in IOT applications based on IEEE 802.15.4e TSCH MAC layer protocol

2/4/2020 12:00:00 AM

In recent years, many uses have been made on the Internet of Things (IOT), one of the most promising applications associated with industrial areas. The most prominent standard in the field of technology for low-power wireless nodes is the IEEE 802.15.4 standard. However, this standard faces limitations such as low reliability and unlimited latency. IEEE 802.15.4e has recently been updated to overcome these limitations. Part of this emerging standard defined in the Media Access Control Layer Protocol (MAC). The TSCH protocol meets the requirements for very low power consumption, high reliability and definite delay. In the TSCH IEEE 802.15.4e Media Access Control Protocol, sending packets between network nodes is coordinated through a scheduler. This standard specifies how each node should execute scheduling, but the way of calculating, constructing, and maintaining TSCH scheduling is not raised. Previous approaches to determining the scheduler policy to ensure the optimal throughput are reliant on the status of the channel information (CSI) in an Instantaneous and accurate manner. The assumption does not materialize in many applied scenarios and, as a result, makes existing solutions unrealistic for csi entific applications. In this thesis, for assigning slot frames, first, assuming that the channel statistical knowledge (and not the exact moment values) is available, an optimal scheduling method (in terms of the mean value of the total network) is presented. In fact, under the assumption of statistical CSI, the average number of packets sent by each link in each time slot can be achieved in advance then the scheduling was optimized based on the average link rate. But in more realistic circumstances, it should be kept in mind that the CSI changes with time and it is not possible to modeling the exact probabilistic structure of that. The second proposed strategy does not rely on CSI statistical knowledge, and instead, using a machine learning approach to optimize the scheduling of sending packets without model. Compared with previous work in this area, the proposed method, due to the operation of the machine learning technique, provides a higher degree of integrity in terms of its capability to operate in a wider range of operational environments. The final simulation results also show that the average throughput of the proposed second strategy (Despite the free of model) can be converted to the efficiency of the proposed1 (model-based) during the run-time.