توصيفگر ها :
شبكه هاي حسگر بي سيم , چرخه كار , يادگيري تقويتي , انرژي مصرفي , نرخ دريافت موفق داده ها
چكيده فارسي :
شبكه‌هاي حسگر بي‌سيم را مي‌توان به عنوان شبكه‌هاي بي‌سيم بدون زيرساخت معرفي نمود كه در آن مجموعه‌اي از گره‌هاي حسگر كه قابليت خودپيكربندي دارند، براي نظارت بر شرايط فيزيكي يا محيطي مستقر مي‌شوند و اطلاعات را به صورت چندگامي يا تك‌گامي به گره مركزي كه به عنوان رابط بين كاربران و شبكه عمل مي‌كند و در آن داده‌ها قابل مشاهده و تجزيه و تحليل هستند، ارسال مي‌نمايند. امروزه اگرچه شبكه‌هاي حسگر بي‌سيم از محبوبيت بالايي برخوردار شده‌اند، اما براي راه‌اندازي اين شبكه‌ها محدوديت‌هاي بسياري در ظرفيت حافظه ذخيره‌سازي، محاسبه و سرعت پردازش، طول عمر باتري و پهناي باند ارتباطي اعمال مي‌شود. شبكه‌هاي حسگر بي‌سيم براي كاربردهاي نظارت بر محيط كه در آن تعداد گره‌هاي حسگر زياد بوده و انرژي محدودي دارند بسيار موثر واقع شده است. بنابراين، اين نوع از كاربردها نيازمند يك روش براي به حداكثر رساندن بازده انرژي و كارايي هستند. يكي از اين روش‌ها چرخه‌كار مي‌باشد كه در آن گره‌ها به صورت دوره‌اي به حالت خواب رفته و تنها در كسر محدودي از يك چارچوب زماني به فعاليت مي‌پردازند. اگرچه كاهش ميزان دوره فعاليت طول عمر شبكه را افزايش مي‌دهد اما معيارهاي كيفيت سرويس و قابليت اطمينان شبكه را زير سوال مي‌برد. روش‌هاي چرخه‌كار به دو صورت ايستا و تطبيقي به گره‌هاي شبكه اعمال مي‌گردد و به گونه‌اي هستند كه در حالت ايستا طول چرخه‌كار تا پايان دوره فعاليت شبكه و از بين رفتن گره‌ها، ثابت مي‌باشند. اما در روش تطبيقي كه به دو صورت همزمان و غيرهمزمان انجام مي‌گيرد، گره‌هاي شبكه متناسب با چند پارامتر مدت زمان فعاليتشان را تنظيم مي‌كنند و ميزان چرخه‌كار در طول دوره فعاليت شبكه متغير مي‌باشد. تاكنون روش‌هاي مختلفي در هر لايه از شبكه ارائه شده است كه هر كدام از اين روش‌ها مزايا و معايب خودشان را دارند اما نكته قابل توجه اين است كه هيچ‌كدام از اين روش‌ها نتوانسته‌اند ضمن كاهش انرژي مصرفي، معيارهاي كيفيت سرويس از جمله تاخير و نرخ دريافت موفق بسته‌ها را تضمين نمايند. هدف از الگوريتم ارائه‌شده در اين پژوهش، تعيين چرخه‌كار تطبيقي براي شبكه‌هاي حسگر بي‌سيم مورد استفاده در كاربردهاي نظارت محيطي مانند شبكه تشخيص و كنترل آتش‌سوزي جنگل مي‌باشد كه در آن هر گره متناسب با شرايط محلي، با انجام محاسباتي بسيار ساده و با كم‌ترين ميزان حافظه طول دوره فعاليتش را تعيين مي‌نمايد. در روش پيشنهادي ابتدا مدير سيستم مقادير و پارامترهاي ثابتي را در اختيار تمام گره‌هاي شبكه قرار مي‌دهد سپس هر گره به صورت تطبيقي با بهره‌گيري از روش‌هاي يادگيري تقويتي و استفاده از پاداش و جدول حالت، به تعيين چرخه‌كار مي‌پردازد. روش پيشنهادي شامل دو فاز آموزش و بهره‌برداري است كه در فاز آموزش ميزان چرخه‌كار ثابت بوده و گره‌ها ضمن نمونه‌برداري و ارسال بسته‌ها، به ذخيره پارامترهاي محلي و محاسبه مقادير جداول پاداش و حالت مي‌پردازند. اما در فاز بهره‌برداري، هر گره ميزان چرخه‌كار خود را در ابتداي هر چارچوب محاسبه مي‌نمايد. اين روش در نرم‌افزار متلب شبيه‌سازي شده و كارايي آن با الگوريتم‌هاي مرتبط مقايسه گرديده است. نتايج شبيه‌سازي نشان مي‌دهد كه روش پيشنهادي از لحاظ نرخ دريافت موفق داده و تاخير انتها به انتها عملكرد بهتري نسبت به روش‌هاي ديگر ارائه مي‌دهد.
چكيده انگليسي :
Wireless sensor networks (WSNs) can be defined as wireless networks without infrastructure, in which a set of self-configurable sensor nodes are deployed to monitor physical or environmental conditions. In these networks, information is sent to the central node in multi-hop or in single-hop. Today, although WSNs are very popular, there are many limitations in setting up these networks. These limitations include storage capacity, calculation and processing speed, battery life time, and communication bandwidth. WSNs have been very effective for environmental monitoring applications where the number of sensor nodes is high and the nodes have limited energy. Therefore, in such type of applications, the need to maximize energy efficiency and performance is inevitable. One of these methods is duty cycling. In this method, the nodes periodically sleep and operate only in a limited fraction of a frame. Reducing the activity period increases the networkʹs life time; but it may affect quality of service and network reliability. The duty cycling is applied to network nodes in both static and adaptive ways. In the static duty cycling, the length of the active period is constant until the end of the network operation. In the adaptive duty cycling, the length of the active period and sleep time are variable. So far, different methods have been proposed in each layer of the network, each having its own advantages and disadvantages. None of these methods can guarantee quality of service, such as latency and data delivery ratio, while reducing energy consumption. This research presents an adaptive duty-cycling algorithm for WSNs in environmental monitoring applications such as forest fire detection and control. Each node determines the length of its active period according to its local conditions, by performing very simple calculations with the least amount of required memory. In the proposed method, the system administrator first provides initial values and parameters to all network nodes. Each node then adaptively determines the duty cycle by a reinforcement learning method using rewards and state tables. The proposed method consists of two phases of exploration and exploitation. In the exploration phase, the duty cycle is constant and the nodes, while sampling and sending packets, store local parameters and calculate the values of reward and state tables. In the exploitation phase, each node calculates its duty cycle at the beginning of each framework. This method is simulated in MATLAB and its performance is evaluated and compared with related algorithms. The simulation results show that our proposed method offers better performance than other methods in terms of data delivery ratio and end-to-end latency.
