Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 594
Aluno: Paulo Filipe Cândido Barbosa
Orientador: Prof. Renato Mariz de Moraes
Coorientador: Prof. Cleber Zanchettin
Título: Um Método de Otimização de Energia Multi-protocolo MAC e Adaptável por Meio de Aprendizado de Máquina para Redes IoT e de Sensores
Data: 21/03/2023
Hora/Local: 8h – Virtual – interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Adriano Lorena Inacio de Oliveira (UFPE / Centro de Informática)
Prof. Leandro Maciel Almeida (UFPE / Centro de Informática)
Prof. Paulo Roberto de Lira Gondim (UnB / Departamento de Engenharia Elétrica)
Prof. Francisco Madeiro Bernardino Júnior (UPE / Escola Politécnica de PE)
Prof. Daniel Pedro Bezerra Chaves (UFPE / Departamento de Eletrônica e Sistemas)
RESUMO:
Em redes IoT e redes de sensores, estudos têm sido realizados para definir o melhor esquema de gerenciamento para controle eficiente de energia, especialmente nos chamados dispositivos de baixa energia.
Durante décadas, essa otimização foi realizada por meio de modelos e algoritmos que, apesar de apresentarem bons resultados, tinham que escolher entre desconsiderar uma otimização multiobjetivo da rede ou executar soluções com alto custo computacional que geravam problemas de desempenho e consumo excessivo de energia dos dispositivos envolvidos.
Além disso, a incapacidade desses métodos de trabalhar sob diferentes protocolos que envolvem aprender e adaptar as especificações do dispositivo associadas a problemas existentes, como segurança, tolerância a erros e interferência humana, torna sua implementação em sistemas reais impraticável; essa limitação se aplica principalmente a redes com alta escalabilidade de nós. Este trabalho apresenta uma nova abordagem para esse problema baseado no uso de aprendizado de máquina para obter economia de energia.
Aqui se propõe a combinação de informações operacionais de dois algoritmos de controle de consumo de energia, considerando o CSMA/CA, o slotted ALOHA (uma variante de ALOHA) e o IEEE 802.15.4, que são protocolos de referência usados na camada de enlace nas importantes tecnologias WiFi, LoRaWAN, e ZigBee, respectivamente, criando um banco de dados de soluções otimizadas, que serve como base de treinamento para uma rede neural capaz de aprender o comportamento de todos os protocolos simultaneamente e criar um modelo unificado de otimização de energia auto-adaptativa que considera múltiplas variáveis de camada física (PHY) e de enlace (MAC) para diferentes dispositivos e protocolos. O trabalho propõe ainda uma solução de eficiência energética baseada em redes neurais artificiais codificadas dentro do sensor, tornando-o capaz de entender dinamicamente o estado atual da rede e manipular de forma autônoma variáveis estáveis das camadas PHY e MAC como definição da potência de transmissão, número ótimo bits por quadro, taxa de transmissão e números de salto do remetente ao destino, minimizando o custo de energia durante cada transmissão.
A abordagem proposta apresenta simultaneamente soluções que otimizam os algoritmos de redução de energia para os protocolos slotted ALOHA e CSMA/CA, aproximando ou melhorando o desempenho das técnicas, economizando 97,6% na computação da CPU e 113.322.733% do tempo de processamento na busca pelas mesmas soluções. Outra importante contribuição desta pesquisa é a inserção de um sistema complexo de gerenciamento de energia baseado em uma RNA com notação assintótica de magnitude O(n), consumo operacional de energia entre 30 e 26 fJ e tamanho de 3,59 kB de memória ROM, sem a necessidade de importar bibliotecas adicionais do sistema, em um dispositivo sensor modelo TMote SKY com 10 kB de RAM, 48 kB de ROM, e processador de 8 MHz operando sob o protocolo do padrão IEEE 802.15.4.
Esse trabalho contribui com uma abordagem multiprotocolo adaptável baseada em aprendizado de máquina, que gerencia recursos nos protocolos \emph{benchmark slotted} ALOHA e CSMA/CA para redes sem fio. Além disso, facilita a otimização multiobjetivo via aprendizado de máquina para eficiência energética em redes reais, criando um novo sistema inteligente que promove comunicação eficiente para múltiplos protocolos MAC e considera a limitação da capacidade de processamento do dispositivo. Este trabalho também mostrou que uma rede neural pode aproximar e otimizar funções exatas quando os parâmetros ótimos não podem ser mapeados matematicamente. Os resultados finais da pesquisa permitem concluir que a RNA possibilitou ao sensor entender o comportamento de transmissão da rede sem a necessidade de técnicas multiobjetivas complexas, mostrando-se uma viável solução para gerenciar variáveis controláveis e incontroláveis envolvidas na transmissão de dados.
Palavras-chave: Consumo de Energia. IoT. Aprendizado de máquina. Protocolos MAC. Redes de sensores.
Comentários desativados