Decisão de espectro em redes de sensores sem fio empregando aprendizado de máquina
Main Author: | |
---|---|
Publication Date: | 2014 |
Format: | Master thesis |
Language: | por |
Source: | Repositório Institucional da UFMG |
Download full: | http://hdl.handle.net/1843/ESBF-9HXNFF |
Summary: | Redes de Sensores Sem Fio (RSSFs) utilizam faixas de espectro ISM (Industrial, Scientific and Medical), as quais atualmente encontram-se sobrecarregadas devido a diversas tecnologias tais como WLANs, RSSFs e Bluetooth. Em razão dessa sobrecarga, as RSSFs sofrem com grandes perdas de informação, causando desperdícios de energia elevados. Com o objetivo de reduzir tais perdas, as RSSFs devem empregar métodos inteligentes, como por exemplo de Rádio Cognitivo (RC) para selecionar o melhor canal, coexistindo assim com outras redes que usam a faixa ISM. Uma das formas de implementação de RC, e que tem sido bastante adotada pela literatura recente, emprega Aprendizado de Máquina (AM), que cria um método de escolha do melhor canal, processo esse que também é conhecido em RC como Decisão de Espectro. Apesar do bom desempenho das propostas existentes, a maior parte possui custo computacional elevado, o que impede seu uso em plataformas com recursos limitados. Outra limitação é o fato da maioria dos trabalhos considerarem um pequeno conjunto de algoritmos de AM. Além disso, grande parte dos trabalhos são validados apenas por meio de simulação e dados empíricos, o que reduz a confiabilidade sobre a eficácia em cenários reais. Este trabalho avalia um conjunto extenso de algoritmos de AM para a seleção de canal em plataformas de RSSFs de baixo recurso computacional. Os melhores algoritmos de AM são implementados em nós sensores reais, demonstrando experimentalmente sua eficácia. Por fim, apresentamos uma comparação dos algoritmos propostos com métodos baseados em canal fixo, e métodos de Decisão de Espectro baseados em energia. Os resultados obtidos mostram que métodos de RC baseados em AM aumentam o desempenho da comunicação como um todo, quando comparados com os outros métodos implementados, reduzindo a quantidade de retransmissões no meio e assim diminuindo o atraso de envio de pacotes. |
id |
UFMG_6cabe808219ebfebd74069e119041e7e |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/ESBF-9HXNFF |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Daniel Fernandes MacedoJose Marcos Silva NogueiraLuiz Henrique Andrade CorreaMarcos Augusto Menezes VieiraVinicius Fonseca e Silva2019-08-10T16:43:55Z2019-08-10T16:43:55Z2014-02-21http://hdl.handle.net/1843/ESBF-9HXNFFRedes de Sensores Sem Fio (RSSFs) utilizam faixas de espectro ISM (Industrial, Scientific and Medical), as quais atualmente encontram-se sobrecarregadas devido a diversas tecnologias tais como WLANs, RSSFs e Bluetooth. Em razão dessa sobrecarga, as RSSFs sofrem com grandes perdas de informação, causando desperdícios de energia elevados. Com o objetivo de reduzir tais perdas, as RSSFs devem empregar métodos inteligentes, como por exemplo de Rádio Cognitivo (RC) para selecionar o melhor canal, coexistindo assim com outras redes que usam a faixa ISM. Uma das formas de implementação de RC, e que tem sido bastante adotada pela literatura recente, emprega Aprendizado de Máquina (AM), que cria um método de escolha do melhor canal, processo esse que também é conhecido em RC como Decisão de Espectro. Apesar do bom desempenho das propostas existentes, a maior parte possui custo computacional elevado, o que impede seu uso em plataformas com recursos limitados. Outra limitação é o fato da maioria dos trabalhos considerarem um pequeno conjunto de algoritmos de AM. Além disso, grande parte dos trabalhos são validados apenas por meio de simulação e dados empíricos, o que reduz a confiabilidade sobre a eficácia em cenários reais. Este trabalho avalia um conjunto extenso de algoritmos de AM para a seleção de canal em plataformas de RSSFs de baixo recurso computacional. Os melhores algoritmos de AM são implementados em nós sensores reais, demonstrando experimentalmente sua eficácia. Por fim, apresentamos uma comparação dos algoritmos propostos com métodos baseados em canal fixo, e métodos de Decisão de Espectro baseados em energia. Os resultados obtidos mostram que métodos de RC baseados em AM aumentam o desempenho da comunicação como um todo, quando comparados com os outros métodos implementados, reduzindo a quantidade de retransmissões no meio e assim diminuindo o atraso de envio de pacotes.Wireless Sensor Networks (WSNs) use ISM (Industrial, Scientific and Medical) spectrum bands, which are currently overloaded due to various technologies such as WLANs, WSNs and Bluetooth. Because of the overhead, WSNs suffer with great loss of information, causing high waste of energy. Therefore, in order to reduce such losses, WSNs must employ clever methods, such as Cognitive Radio (CR) to select the best channel, coexisting with other networks that use the ISM band. One of the CRs implementation paradigms, which has been highly adopted by the literature, employs Machine Learning (ML), which creates a method to choose the best channel, process which is also known in the CR area as Spectrum Decision. Despite the good performance of the existing proposals, most of them have high computational costs, which prevent their use on platforms with limited resources. Another limitation is the fact that most of the works consider a small set of ML algorithms. Moreover, the majority of studies are validated only through simulations and empirical data, which reduces the reliability on the effectiveness in real scenarios. This study evaluates an extensive set of ML algorithms for channel selection in low-resource WSN platforms. The best algorithms are implemented on real sensor nodes, experimentally demonstrating their effectiveness. Finally, we show a comparison of the proposed algorithms with fixed channel and energy-based Spectrum Decision methods. The obtained results show that ML-based RC methods enhance the overall communication performance, when compared with the implemented baselines, reducing the number of retransmissions, and thus reducing the delay.Universidade Federal de Minas GeraisUFMGComputaçãoRedes de ComputadoresAprendizado do computadorRedes de sensores sem fioAprendizado de máquinaRedes de sensores sem fioRádios cognitivosDecisão de espectro em redes de sensores sem fio empregando aprendizado de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALvinicius_fonseca_e_silva.pdfapplication/pdf4318207https://repositorio.ufmg.br/bitstream/1843/ESBF-9HXNFF/1/vinicius_fonseca_e_silva.pdfeda209a2873bbdc8f7934f5a63943988MD51TEXTvinicius_fonseca_e_silva.pdf.txtvinicius_fonseca_e_silva.pdf.txtExtracted texttext/plain181493https://repositorio.ufmg.br/bitstream/1843/ESBF-9HXNFF/2/vinicius_fonseca_e_silva.pdf.txtc8bb429317a1b64bc4adb236c502b86cMD521843/ESBF-9HXNFF2019-11-14 07:07:52.348oai:repositorio.ufmg.br:1843/ESBF-9HXNFFRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T10:07:52Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Decisão de espectro em redes de sensores sem fio empregando aprendizado de máquina |
title |
Decisão de espectro em redes de sensores sem fio empregando aprendizado de máquina |
spellingShingle |
Decisão de espectro em redes de sensores sem fio empregando aprendizado de máquina Vinicius Fonseca e Silva Aprendizado de máquina Redes de sensores sem fio Rádios cognitivos Computação Redes de Computadores Aprendizado do computador Redes de sensores sem fio |
title_short |
Decisão de espectro em redes de sensores sem fio empregando aprendizado de máquina |
title_full |
Decisão de espectro em redes de sensores sem fio empregando aprendizado de máquina |
title_fullStr |
Decisão de espectro em redes de sensores sem fio empregando aprendizado de máquina |
title_full_unstemmed |
Decisão de espectro em redes de sensores sem fio empregando aprendizado de máquina |
title_sort |
Decisão de espectro em redes de sensores sem fio empregando aprendizado de máquina |
author |
Vinicius Fonseca e Silva |
author_facet |
Vinicius Fonseca e Silva |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Daniel Fernandes Macedo |
dc.contributor.referee1.fl_str_mv |
Jose Marcos Silva Nogueira |
dc.contributor.referee2.fl_str_mv |
Luiz Henrique Andrade Correa |
dc.contributor.referee3.fl_str_mv |
Marcos Augusto Menezes Vieira |
dc.contributor.author.fl_str_mv |
Vinicius Fonseca e Silva |
contributor_str_mv |
Daniel Fernandes Macedo Jose Marcos Silva Nogueira Luiz Henrique Andrade Correa Marcos Augusto Menezes Vieira |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Redes de sensores sem fio Rádios cognitivos |
topic |
Aprendizado de máquina Redes de sensores sem fio Rádios cognitivos Computação Redes de Computadores Aprendizado do computador Redes de sensores sem fio |
dc.subject.other.pt_BR.fl_str_mv |
Computação Redes de Computadores Aprendizado do computador Redes de sensores sem fio |
description |
Redes de Sensores Sem Fio (RSSFs) utilizam faixas de espectro ISM (Industrial, Scientific and Medical), as quais atualmente encontram-se sobrecarregadas devido a diversas tecnologias tais como WLANs, RSSFs e Bluetooth. Em razão dessa sobrecarga, as RSSFs sofrem com grandes perdas de informação, causando desperdícios de energia elevados. Com o objetivo de reduzir tais perdas, as RSSFs devem empregar métodos inteligentes, como por exemplo de Rádio Cognitivo (RC) para selecionar o melhor canal, coexistindo assim com outras redes que usam a faixa ISM. Uma das formas de implementação de RC, e que tem sido bastante adotada pela literatura recente, emprega Aprendizado de Máquina (AM), que cria um método de escolha do melhor canal, processo esse que também é conhecido em RC como Decisão de Espectro. Apesar do bom desempenho das propostas existentes, a maior parte possui custo computacional elevado, o que impede seu uso em plataformas com recursos limitados. Outra limitação é o fato da maioria dos trabalhos considerarem um pequeno conjunto de algoritmos de AM. Além disso, grande parte dos trabalhos são validados apenas por meio de simulação e dados empíricos, o que reduz a confiabilidade sobre a eficácia em cenários reais. Este trabalho avalia um conjunto extenso de algoritmos de AM para a seleção de canal em plataformas de RSSFs de baixo recurso computacional. Os melhores algoritmos de AM são implementados em nós sensores reais, demonstrando experimentalmente sua eficácia. Por fim, apresentamos uma comparação dos algoritmos propostos com métodos baseados em canal fixo, e métodos de Decisão de Espectro baseados em energia. Os resultados obtidos mostram que métodos de RC baseados em AM aumentam o desempenho da comunicação como um todo, quando comparados com os outros métodos implementados, reduzindo a quantidade de retransmissões no meio e assim diminuindo o atraso de envio de pacotes. |
publishDate |
2014 |
dc.date.issued.fl_str_mv |
2014-02-21 |
dc.date.accessioned.fl_str_mv |
2019-08-10T16:43:55Z |
dc.date.available.fl_str_mv |
2019-08-10T16:43:55Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/ESBF-9HXNFF |
url |
http://hdl.handle.net/1843/ESBF-9HXNFF |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/ESBF-9HXNFF/1/vinicius_fonseca_e_silva.pdf https://repositorio.ufmg.br/bitstream/1843/ESBF-9HXNFF/2/vinicius_fonseca_e_silva.pdf.txt |
bitstream.checksum.fl_str_mv |
eda209a2873bbdc8f7934f5a63943988 c8bb429317a1b64bc4adb236c502b86c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1797970947913809920 |