Q-learning aplicado a protocolos MAC baseados em Slotted ALOHA para Redes de Sensores Sem Fios

• Autor(a) principal: Baptista, Amilton Venâncio
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.6/14197
• topic: Binary Exponential Backoff (Beb); Carrier Sense Multiple Access (Csma); Eficiência Energética; IEEE 802.15.4; Internet das Coisas (Iot); Q-Learning; Redes de Sensores Sem Fios (Rssfs); Slottedaloha; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

Nesta dissertação, abordamos um desafio crucial no âmbito das Redes de Sensores Sem Fios (RSSFs) baseadas no padrão IEEE 802.15.4: a eficiência energética, particularmente relevante diante do crescente interesse na expansão da Internet das Coisas (IoT). Em um cenário em que cidades inteligentes, agricultura de precisão e aplicações de saúde remota impulsionam a evolução da IoT, a eficiência energética dos nós sensores emerge como uma consideração crítica. Nossa análise concentra-se nos protocolos de acesso ao meio existentes, com especial ênfase no Carrier Sense Multiple Access (CSMA), protocolo tradicionalmente adotado neste padrão. Em contrapartida, propomos a adoção e otimização do protocolo Slotted ALOHA como alternativa, visando superar as limitações identificadas nos protocolos convencionais e alinhando-se com os requisitos da IoT. Apresentamos variantes aprimoradas do Slotted ALOHA, incorporando técnicas como Binary Exponential Backoff (BEB) e aprendizado de reforço, nomeadamente o Q-learning. A implementação dessas melhorias visa não apenas otimizar o rendimento da rede, mas também aprimorar a eficiência energética, reduzir o atraso nas transmissões e proporcionar benefícios substanciais em diversas métricas operacionais, fundamentais para o sucesso da IoT. Através de simulações no MATLAB, demonstramos que o Slotted ALOHA aprimorado com Q-learning oferece benefícios significativos em termos de consumo energético e redução do atraso, destacando-se como uma alternativa promissora ao CSMA para RSSFs na era da IoT. Essa contribuição não só avança na compreensão das dinâmicas de eficiência energética, mas também propõe soluções práticas e inovadoras para otimizar o desempenho global das RSSFs em ambientes diversos e desafiadores.