ПІДВИЩЕННЯ ЕНЕРГОЗБЕРЕЖЕННЯ БЕЗДРОТОВИХ СЕНСОРНИХ МЕРЕЖ З ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ
Ключові слова:
енергозбереження, бездротова сенсорна мережа, вузол, машинне навчання, дерево рішень, класифікація
Анотація
Актуальність. Бездротові сенсорні мережі (БСМ) є перспективною галуззю розвитку комп’ютерних мереж. Ключова ідея БСМ – автоматизація збору інформації про навколишнє середовище та керованих об'єктах. БСМ особливо корисні там, де присутність людини в контрольованій зоні неможлива або збирання інформації необхідно проводити тривалий час. БСМ отримали широке поширення після активного розвитку сучасної мікроелектроніки, технологій бездротової взаємодії та відповідного апаратного забезпечення. Метою даної роботи є розробка аналіз алгоритмів підвищення енергозбереження в бездротових сенсорних мережах з використанням методів машинного навчання. Об’єктом дослідження є тривалість функціонування вузла в бездротовій сенсорній мережі. Предметом дослідження є алгоритми підвищення енергозбереження. Результати. Запропоновано адаптивний енергозберігаючий алгоритм передачі даних, який може застосовуватися в бездротових сенсорних мережах, де необхідно приймати рішення про стан сенсорної мережі (завдання класифікації) на основі безлічі показань із сенсорів. Для функціонування алгоритму необхідно навчити дерево рішень та отримати предикати для сенсорів. Висновок. Розроблено алгоритми роботи сенсора БСМ та побудови бінарного дерева рішень, які можуть бути використані для підвищення енергозбереження функціонування вузлів в бездротових сенсорних мережах. Розглянуто методи машинного навчання. Вони дозволяють оперувати з безліччю структурованих даних, отримуючи з них знання в вигляді моделі, яку можна використовувати в майбутньому для ухвалення рішення. Для реалізації запропонованого алгоритму обрано метод дерева рішень. Вибір пов'язаний з тим, що даний метод має високу інтерпретацію та схожий із процесом прийняття рішення оператором. Крім цього, дерева рішень дозволяють проводити класифікацію з пропусками у вхідних даних, що може досить часто відбуватися у сенсорних мережах. Грунтуючись на ідемпотентності предикатів дерева рішень, пропонується скоротити кількість сеансів зв'язку за рахунок динамічного визначення частоти передачі. Таким чином, цей підхід дозволить позбутися постійної передачі даних бездротовим каналом зв'язку, тим самим буде зекономлено енергоресурси вузлів мережі.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Akyildiz, I. F., Weilian, S. A survey on sensor networks // IEEE Communications magazine. 2002. 40(8). P. 102–114. doi:10.1109/MCOM.2002.1024422.
2. Abbas, I., Liu, J., Faheem, M., Noor, R. S. Different sensor based intelligent spraying systems in Agriculture // Sensors and Actuators A: Physical. 2020. Volume 316. P. 1–16.
3. Alias, F., Carrie, J. C., Alsina-Pages, R. WASN-Based day–night characterization of urban anomalous noise events in narrow and wide streets // Sensors. 2020. 20(17) 26 p.
4. Chen, Y., Nasser, N. Energy-balancing multipath routing protocol for wireless sensor networks // Quality of service in heterogeneous wired/wireless networks. New York: Qshine, 2006. Vol. 21. – P. 245–249. doi: 10.1145/1185373.1185401.
5. Das, K., Behera, R. N. A survey on machine learning: concept, algorithms and applications // International Journal of Innovative Research in Computer and Communication Engineering. 2017. 5(2). P. 1301–1309.
6. Gao, T., Greenspan, D., Welsh, M., Juang, R. R., Alm, A. Vital signs monitoring and patient tracking over a wireless network // Proceedings of the 27th IEEE EMBS Annual International Conference. 2005. P. 66–74.
7. Huang, J.H., Amjad, S., Mishra, S. CenWits: A sensor-based loosely coupled search and rescue system using witnesses // Proceedings of the Third Int. Conf. on Embedded Networked Sensor Systems (Sensys), San Diego, CA. 2005. P. 180–191.
8. Monitoring volcanic eruptions with a wireless sensor network / Werner-Allen, G., Johnson, J., Ruiz, M., Lees, J., Welsh, M. // Proceeedings of the Second European Workshop on Wireless Sensor Networks, IEEE. Istanbul, 2005. 13 p.
9. Hardware design experiences in ZebraNet / Zhang, P., Sadler, C. M., Lyon, S. A., Martonosi, M. // Proceedings of the SenSys'04, Baltimore, MD. 2004. P. 227–238. Li Q.-L. (2016), “Nonlinear Markov processes in large networks”, Special Matrices, Vol. 4(1), doi: https://doi.org/10.1515/spma-2016-0019
10. Yick, J., Mukherjee, B., Ghosal, D. Analysis of a Prediction-based Mobility Adaptive Tracking Algorithm // Proceedings of the IEEE Second International Conference on Broadband Networks (BROADNETS), Boston. 2005. Vol. 1. P. 753–760
11. Yu, Z., Tsai J. J., Weigert T. An automatically tuning intrusion detection system // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2007. 37(2). P. 373–384.
12. Design considerations for solar energy harvesting wireless embedded systems / Raghunathan, V., Kansai, A., Hse, J., Friedman, J., Srivastava, M. // Proceedings of the IPSN. 2005. P. 457–462.
13. Second Generation System-on-Chip Solution for 2.4 GHz IEEE 802.15.4 / RF4CE ZigBee [Electronic resource] // Texas Instruments. Available at: http://www.ti.com/lit/ds/symlink/cc2530.pdf/. 05.05.2023. 36 p
14. Pelckmans, K., Jos, D. B., Johan, A. S., Bart, D. M. Handling missing values in support vector machine classifiers // Neural Networks 18. 2005. №5-6. P. 684–692
15. Venkatesan, R., Meng, J. E. A novel progressive learning technique for multi-class classification // Neurocomputing. 2016.207. P. 310–321.
16. Yu, Z., Tsai, J. J. P. A Framework of Machine Learning Based Intrusion Detection for Wireless Sensor Networks // 2008 IEEE International Conference on Sensor Networks, Ubiquitous, and Trustworthy Computing. 2008. P. 272–279.
2. Abbas, I., Liu, J., Faheem, M., Noor, R. S. Different sensor based intelligent spraying systems in Agriculture // Sensors and Actuators A: Physical. 2020. Volume 316. P. 1–16.
3. Alias, F., Carrie, J. C., Alsina-Pages, R. WASN-Based day–night characterization of urban anomalous noise events in narrow and wide streets // Sensors. 2020. 20(17) 26 p.
4. Chen, Y., Nasser, N. Energy-balancing multipath routing protocol for wireless sensor networks // Quality of service in heterogeneous wired/wireless networks. New York: Qshine, 2006. Vol. 21. – P. 245–249. doi: 10.1145/1185373.1185401.
5. Das, K., Behera, R. N. A survey on machine learning: concept, algorithms and applications // International Journal of Innovative Research in Computer and Communication Engineering. 2017. 5(2). P. 1301–1309.
6. Gao, T., Greenspan, D., Welsh, M., Juang, R. R., Alm, A. Vital signs monitoring and patient tracking over a wireless network // Proceedings of the 27th IEEE EMBS Annual International Conference. 2005. P. 66–74.
7. Huang, J.H., Amjad, S., Mishra, S. CenWits: A sensor-based loosely coupled search and rescue system using witnesses // Proceedings of the Third Int. Conf. on Embedded Networked Sensor Systems (Sensys), San Diego, CA. 2005. P. 180–191.
8. Monitoring volcanic eruptions with a wireless sensor network / Werner-Allen, G., Johnson, J., Ruiz, M., Lees, J., Welsh, M. // Proceeedings of the Second European Workshop on Wireless Sensor Networks, IEEE. Istanbul, 2005. 13 p.
9. Hardware design experiences in ZebraNet / Zhang, P., Sadler, C. M., Lyon, S. A., Martonosi, M. // Proceedings of the SenSys'04, Baltimore, MD. 2004. P. 227–238. Li Q.-L. (2016), “Nonlinear Markov processes in large networks”, Special Matrices, Vol. 4(1), doi: https://doi.org/10.1515/spma-2016-0019
10. Yick, J., Mukherjee, B., Ghosal, D. Analysis of a Prediction-based Mobility Adaptive Tracking Algorithm // Proceedings of the IEEE Second International Conference on Broadband Networks (BROADNETS), Boston. 2005. Vol. 1. P. 753–760
11. Yu, Z., Tsai J. J., Weigert T. An automatically tuning intrusion detection system // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2007. 37(2). P. 373–384.
12. Design considerations for solar energy harvesting wireless embedded systems / Raghunathan, V., Kansai, A., Hse, J., Friedman, J., Srivastava, M. // Proceedings of the IPSN. 2005. P. 457–462.
13. Second Generation System-on-Chip Solution for 2.4 GHz IEEE 802.15.4 / RF4CE ZigBee [Electronic resource] // Texas Instruments. Available at: http://www.ti.com/lit/ds/symlink/cc2530.pdf/. 05.05.2023. 36 p
14. Pelckmans, K., Jos, D. B., Johan, A. S., Bart, D. M. Handling missing values in support vector machine classifiers // Neural Networks 18. 2005. №5-6. P. 684–692
15. Venkatesan, R., Meng, J. E. A novel progressive learning technique for multi-class classification // Neurocomputing. 2016.207. P. 310–321.
16. Yu, Z., Tsai, J. J. P. A Framework of Machine Learning Based Intrusion Detection for Wireless Sensor Networks // 2008 IEEE International Conference on Sensor Networks, Ubiquitous, and Trustworthy Computing. 2008. P. 272–279.
Опубліковано
2023-06-09
Як цитувати
Haptelmanov Artem Підвищення енергозбереження бездротових сенсорних мереж з використанням методів машинного навчання / Artem Haptelmanov, Oleg Mikhal, Oleksii Schepka // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2023. – Т. 2 (72). – С. 92-97. – doi:https://doi.org/10.26906/SUNZ.2023.2.092.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
