توصيفگر ها :
ارتباطات دستگاه با دستگاه , اينترنتاشياء , برداشتانرژي , بهره وري انرژي , تخصيص منابع , هوشمصنوع , يادگيري تقويتي عميق
چكيده فارسي :
چكيده:
باتوجهبه گسترش روزافزون تعداد دستگاههاي متصل به اينترنت، مديريت ارتباطات اين دستگاهها، بهويژه براي شبكههاي نسل جديد مانند 5G و بعد از آن، اهميت بسيار زيادي پيدا كرده است. اين ارتباطات شامل شبكههاي اينترنت اشياء (IoT) و ارتباطات دستگاه به دستگاه (D2D) است. افزايش تعداد ارتباطات در اين شبكهها، چالشهايي از قبيل كمبود منابع راديويي و انرژي، و همچنين نياز به حفظ تازگي اطلاعات ارسالشده توسط دستگاهها را به همراه دارد. اين رساله بهمنظور مقابله با اين چالشها، به ارائهي مدلهاي نوين و راهكارهاي بهينهسازي در مديريت منابع و زمانبندي در شبكههاي ارتباطي دستگاه به دستگاه پرداخته است. در اين رساله، براي پاسخگويي به چالشهاي مطرح شده، ابتدا ادبيات موضوعي و نيز كارهاي پژوهشي انجام شده در حوزهي ارتباطات دستگاه به دستگاه مورد ارزيابي و بررسي قرار گرفته شده است. در ادامه همزيستي شبكههاي ارتباطي دستگاه به دستگاه و سلولي با استفاده از طيف فركانسي باند باريك اينترنت اشياء (NB-IoT) بررسي شده است. براي اين منظور يك مدل سيستم نوآورانه معرفي شده است كه انتقال اطلاعات بين كاربران دستگاه به دستگاه بهصورت پخشي، با كمك يك گره رله، انجام ميشود. همچنين، يك سازوكار سهمرحلهاي براي انتقال همزمان داده و انرژي ارائه شده است كه علاوه بر كاهش مصرف انرژي، پوششدهي شبكه را بهبود ميبخشد. مسئلهي بهينهسازي با هدف بيشينهسازي بهرهوري انرژي طراحي شده است و براي حل آن از الگوريتم Dinkelbach استفاده شده است. نتايج نشان ميدهد كه اين رويكرد باعث بهبود 40% در بهرهوري انرژي و افزايش 30% در پوششدهي شبكه نسبت به روشهاي مرسوم شده است.
در ادامه يك مدل سيستم مبتني بر انتقال همزمان انرژي و اطلاعات (SWIPT) براي بهبود بيشتر بهرهوري انرژي در شبكههاي ارتباطي دستگاه به دستگاه ارائه شد. در اين مدل، كاربران دستگاه به دستگاه در همزيستي با كاربران سلولي در نظر گرفته شدهاند و از سن اطلاعات بهعنوان معياري براي بهروزرساني دادهها استفاده شده است. مسئلهي بهينهسازي طراحيشده شامل قيود مهمي مانند نرخ دادهي حداقلي، محدوديتهاي توان و تداخل شبكه است. به دليل پيچيدگي مسئله كه از نوع NP-hard است، از يك الگوريتم يادگيري تقويتي عميق مبتني بر ساختار يادگيري اتحادي اصلاحشده استفاده شده است. نتايج شبيهسازيها نشان ميدهد كه اين روش بهرهوري انرژي را 70% بهبود داده و سن اطلاعات را 25% نسبت به روشهاي مرسوم كاهش داده است.
در انتها، يك مدل سيستم پيشرفته معرفي شده است كه حالتهاي عملياتي كاربران دستگاه به دستگاه از دو حالت سنتي (انتقال داده و برداشت انرژي) به پنج حالت بيكاري، انتقال داده، حسگري محيطي، حسگري طيفي و برداشت انرژي ارتقا يافته است. اين گسترش، انعطافپذيري بيشتري را براي مديريت منابع در شبكههاي مدرن ايجاد كرده است. قيود نوآورانهاي مانند تضمين تعداد حسگرهاي محيطي فعال و دوره بازگشت به حالت حسگري محيطي نيز در اين مدل در نظر گرفته شدهاند. براي مديريت منابع و زمانبندي، از الگوريتم يادگيري تقويتي SAC استفاده شده است كه توانايي كاهش ميانگين سن اطلاعات تا 20% را نسبت به روشهاي پايه مانند DDPG و RR+Greedy نشان داده است. اين روش همچنين انعطافپذيري بالايي در مواجهه با نوسانات انرژي و نيازمنديهاي متغير كاربران از خود نشان ميدهد. اين رساله با ارائهي مدلهاي نوين و روشهاي بهينهسازي هوشمند، چارچوبي مقياسپذير و كارآمد براي مديريت شبكههاي ارتباطي نسل جديد پيشنهاد ميكند كه ميتواند مبناي پژوهشهاي آتي در اين حوزه قرار گيرد.
كلمات كليدي: ارتباطات دستگاه با دستگاه، اينترنت اشياء، برداشت انرژي، بهرهوري انرژي، تخصيص منابع، هوش مصنوعي، يادگيري تقويتي عميق.
چكيده انگليسي :
Abstract:
The rapid proliferation of connected devices in the next-generation of communication net-works, such as 5G and beyond, has introduced critical challenges in managing energy and radio resources, maintaining information freshness, and meeting the dynamic demands of users. These communications encompass Internet of Things (IoT) networks and Device-to-Device (D2D) communications. The increasing number of connections in these networks has high-lighted concerns about radio and energy resource shortages, as well as the need to ensure the freshness of the information exchanged between devices. Addressing these challenges is pivotal for ensuring efficient and reliable D2D communications, particularly in loT networks. In this research, the coexistence of D2D and cellular communication networks using the narrowband spectrum of loT (NB-IoT) is examined. A novel system model is introduced, where information transmission among D2D users is conducted via a relay node in a broadcast manner. Next, a system model is presented based on Simultaneous Wireless Information and Power Transfer (SWIPT) to further improve energy efficiency in D2D communication networks. In this model, D2D users coexist with cellular users, and the freshness of information (Age of Information, AoI) is used as a metric for data updates. Also, an advanced system model is introduced that extends the operational states of D2D users from the traditional two states (data transmission and energy harvesting) to five states: idle, data transmission, environmental sensing, spectral sensing, and energy harvesting. This expansion provides greater flexibility in resource management for modern networks. To manage resources and scheduling, the Soft Actor-Critic (SAC) reinforcement learning algorithm is utilized.
Keywords: Device-to-Device Communications, Internet of Things, Energy Harvesting, Energy Efficiency, Resource Allocation, Artificial Intelligence, Deep Reinforcement Learning, Age of Information.
