Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/50078 |
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, são incapazes de trabalhar sob diferentes protocolos, aprender e auto-adaptar as especificações do dispositivo sem a necessidade de interferência humana, tornando sua implementação em sistemas reais impraticável. Diante disto esta tese propõe duas contribuições: a primeira é a criação de um método baseado em aprendizado de maquina que combina as informações operacionais de dois algoritmos de controle de consumo de energia para os protocolos CSMA/CA, slotted ALOHA (uma variante de ALOHA), protocolos de referência usados na camada de enlace nas importantes tecnologias Wi-Fi e ZigBee. O método proposto aprende o comportamento de operacionalização de múltiplas variáveis de camada física (PHY) e de enlace (MAC) para diferentes dispositivos e protocolos, contribuindo para uma maior eficiência energética durante as transmissões. A segunda contribuição é uma Rede Neural Artificial (RNA) codificadas dentro do sensor agregando inteligência ao processo de transmissão de dados e tornando-o capaz de entender dinamicamente o estado atual da rede e manipular de forma autônoma variáveis das camadas PHY e MAC na busca de minimizar o custo de energia durante cada transmissão. Entre os resultados alcançados estão a redução de energia 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 em relação ao que o modelo de eficiência energética concorrente, obtidos na fase 1 da pesquisa. E na fase 2, a inserção de um sistema de otimização energética baseado em RNA, definido na literatura como um método de alto custo computacional, em um dispositivo sensor com 10 kB de RAM, 48 kB de ROM, e processador de 8 MHz operando sob o padrão IEEE 802.15.4. Para isso esta rede foi configurada com notação assintótica de magnitude (), consumo operacional de energia entre 30 e 26 f e tamanho de 3,59 kB de memória ROM, sem a necessidade de importar bibliotecas adicionais do sistema. |
id |
UFPE_5ea341815894b01787c26b9af33991c4 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/50078 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
BARBOSA, Paulo Filipe Cândidohttp://lattes.cnpq.br/1328561082238373http://lattes.cnpq.br/7284320756124645http://lattes.cnpq.br/1244195230407619MORAES, Renato Mariz deZANCHETTIN, Cleber2023-05-11T13:14:11Z2023-05-11T13:14:11Z2023-03-21BARBOSA, Paulo Filipe Cândido. Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores. 2023. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2023.https://repositorio.ufpe.br/handle/123456789/50078Em 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, são incapazes de trabalhar sob diferentes protocolos, aprender e auto-adaptar as especificações do dispositivo sem a necessidade de interferência humana, tornando sua implementação em sistemas reais impraticável. Diante disto esta tese propõe duas contribuições: a primeira é a criação de um método baseado em aprendizado de maquina que combina as informações operacionais de dois algoritmos de controle de consumo de energia para os protocolos CSMA/CA, slotted ALOHA (uma variante de ALOHA), protocolos de referência usados na camada de enlace nas importantes tecnologias Wi-Fi e ZigBee. O método proposto aprende o comportamento de operacionalização de múltiplas variáveis de camada física (PHY) e de enlace (MAC) para diferentes dispositivos e protocolos, contribuindo para uma maior eficiência energética durante as transmissões. A segunda contribuição é uma Rede Neural Artificial (RNA) codificadas dentro do sensor agregando inteligência ao processo de transmissão de dados e tornando-o capaz de entender dinamicamente o estado atual da rede e manipular de forma autônoma variáveis das camadas PHY e MAC na busca de minimizar o custo de energia durante cada transmissão. Entre os resultados alcançados estão a redução de energia 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 em relação ao que o modelo de eficiência energética concorrente, obtidos na fase 1 da pesquisa. E na fase 2, a inserção de um sistema de otimização energética baseado em RNA, definido na literatura como um método de alto custo computacional, em um dispositivo sensor com 10 kB de RAM, 48 kB de ROM, e processador de 8 MHz operando sob o padrão IEEE 802.15.4. Para isso esta rede foi configurada com notação assintótica de magnitude (), consumo operacional de energia entre 30 e 26 f e tamanho de 3,59 kB de memória ROM, sem a necessidade de importar bibliotecas adicionais do sistema.FACEPEIn IoT networks and sensor networks, studies have been carried out to define the best management scheme for efficient energy control, especially in so-called low-energy devices. For decades, this optimization was carried out through models and algorithms that, despite showing good results, are unable to work under different protocols, learn and self-adapt device specifications without the need for human interference, making their implementation in systems real impractical. In view of this, this thesis proposes two contributions: the first is the creation of a method based on machine learning that combines operational information from two energy consumption control algorithms for CSMA/CA protocols, slotted ALOHA (a variant of ALOHA), reference protocols used at the data link layer in leading Wi-Fi and ZigBee technologies. The proposed method learns the operationalization behavior of multiple physical layer (PHY) and data link (MAC) variables for different devices and protocols, contributing to greater energy efficiency during transmissions. The second contribution is an Artificial Neural Network (ANN) encoded within the sensor, adding intelligence to the data transmission process and making it capable of dynamically understanding the current state of the network and autonomously manipulating variables from the PHY and MAC layers in the search for minimize energy cost during each transmission. Among the results achieved are the energy reduction approaching or improving the performance of the techniques, saving 97.6% in the CPU computation and 113,322,733% of the processing time in the search for the same solutions in relation to what the efficiency model competitor energy, obtained in phase 1 of the research. And in phase 2, the insertion of an energy optimization system based on ANN, defined in the literature as a method of high computational cost, in a sensor device with 10 kB of RAM, 48 kB of ROM, and 8 MHz processor operating under the IEEE 802.15.4 standard. For this, this network was configured with asymptotic notation of magnitude (), operational energy consumption between 30 and 26 f and size of 3.59 kB of ROM memory, without the need to import additional libraries of the system.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessRedes de computadoresAprendizado de máquinaRedes de sensoresUm método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensoresinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPECC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/50078/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/50078/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53ORIGINALTESE Paulo Filipe Cândido Barbosa.pdfTESE Paulo Filipe Cândido Barbosa.pdfapplication/pdf9744132https://repositorio.ufpe.br/bitstream/123456789/50078/1/TESE%20Paulo%20Filipe%20C%c3%a2ndido%20Barbosa.pdfef14bb27baad898908b1185739e896feMD51TEXTTESE Paulo Filipe Cândido Barbosa.pdf.txtTESE Paulo Filipe Cândido Barbosa.pdf.txtExtracted texttext/plain300472https://repositorio.ufpe.br/bitstream/123456789/50078/4/TESE%20Paulo%20Filipe%20C%c3%a2ndido%20Barbosa.pdf.txt041ecf3f690030cfde27e07bab1b9eccMD54THUMBNAILTESE Paulo Filipe Cândido Barbosa.pdf.jpgTESE Paulo Filipe Cândido Barbosa.pdf.jpgGenerated Thumbnailimage/jpeg1206https://repositorio.ufpe.br/bitstream/123456789/50078/5/TESE%20Paulo%20Filipe%20C%c3%a2ndido%20Barbosa.pdf.jpge76e0cbd061df9089e625c7979848c74MD55123456789/500782023-05-12 02:17:39.572oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212023-05-12T05:17:39Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores |
title |
Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores |
spellingShingle |
Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores BARBOSA, Paulo Filipe Cândido Redes de computadores Aprendizado de máquina Redes de sensores |
title_short |
Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores |
title_full |
Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores |
title_fullStr |
Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores |
title_full_unstemmed |
Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores |
title_sort |
Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores |
author |
BARBOSA, Paulo Filipe Cândido |
author_facet |
BARBOSA, Paulo Filipe Cândido |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1328561082238373 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7284320756124645 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1244195230407619 |
dc.contributor.author.fl_str_mv |
BARBOSA, Paulo Filipe Cândido |
dc.contributor.advisor1.fl_str_mv |
MORAES, Renato Mariz de |
dc.contributor.advisor-co1.fl_str_mv |
ZANCHETTIN, Cleber |
contributor_str_mv |
MORAES, Renato Mariz de ZANCHETTIN, Cleber |
dc.subject.por.fl_str_mv |
Redes de computadores Aprendizado de máquina Redes de sensores |
topic |
Redes de computadores Aprendizado de máquina Redes de sensores |
description |
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, são incapazes de trabalhar sob diferentes protocolos, aprender e auto-adaptar as especificações do dispositivo sem a necessidade de interferência humana, tornando sua implementação em sistemas reais impraticável. Diante disto esta tese propõe duas contribuições: a primeira é a criação de um método baseado em aprendizado de maquina que combina as informações operacionais de dois algoritmos de controle de consumo de energia para os protocolos CSMA/CA, slotted ALOHA (uma variante de ALOHA), protocolos de referência usados na camada de enlace nas importantes tecnologias Wi-Fi e ZigBee. O método proposto aprende o comportamento de operacionalização de múltiplas variáveis de camada física (PHY) e de enlace (MAC) para diferentes dispositivos e protocolos, contribuindo para uma maior eficiência energética durante as transmissões. A segunda contribuição é uma Rede Neural Artificial (RNA) codificadas dentro do sensor agregando inteligência ao processo de transmissão de dados e tornando-o capaz de entender dinamicamente o estado atual da rede e manipular de forma autônoma variáveis das camadas PHY e MAC na busca de minimizar o custo de energia durante cada transmissão. Entre os resultados alcançados estão a redução de energia 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 em relação ao que o modelo de eficiência energética concorrente, obtidos na fase 1 da pesquisa. E na fase 2, a inserção de um sistema de otimização energética baseado em RNA, definido na literatura como um método de alto custo computacional, em um dispositivo sensor com 10 kB de RAM, 48 kB de ROM, e processador de 8 MHz operando sob o padrão IEEE 802.15.4. Para isso esta rede foi configurada com notação assintótica de magnitude (), consumo operacional de energia entre 30 e 26 f e tamanho de 3,59 kB de memória ROM, sem a necessidade de importar bibliotecas adicionais do sistema. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-05-11T13:14:11Z |
dc.date.available.fl_str_mv |
2023-05-11T13:14:11Z |
dc.date.issued.fl_str_mv |
2023-03-21 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
BARBOSA, Paulo Filipe Cândido. Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores. 2023. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2023. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/50078 |
identifier_str_mv |
BARBOSA, Paulo Filipe Cândido. Um método de otimização de energia multi-protocolo MAC e adaptável por meio de aprendizado de máquina para redes IOT e de sensores. 2023. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2023. |
url |
https://repositorio.ufpe.br/handle/123456789/50078 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Ciencia da Computacao |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/50078/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/50078/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/50078/1/TESE%20Paulo%20Filipe%20C%c3%a2ndido%20Barbosa.pdf https://repositorio.ufpe.br/bitstream/123456789/50078/4/TESE%20Paulo%20Filipe%20C%c3%a2ndido%20Barbosa.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/50078/5/TESE%20Paulo%20Filipe%20C%c3%a2ndido%20Barbosa.pdf.jpg |
bitstream.checksum.fl_str_mv |
e39d27027a6cc9cb039ad269a5db8e34 5e89a1613ddc8510c6576f4b23a78973 ef14bb27baad898908b1185739e896fe 041ecf3f690030cfde27e07bab1b9ecc e76e0cbd061df9089e625c7979848c74 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310651228454912 |