ارائه­ دهنده:

  استاد راهنما:

 دکتر وصال حکمی

هیات داوران:
دکتر عیسی زارع پور، دکتر مهدی جعفری

زمان:
سه شنبه ۱۳۹۹/۰۳/۱۳

ساعت ۱۶:۳۰
 
 

خانم فرنوش نامجونیا  دانشجوی کارشناسی ارشد آقای دکتر وصال حکمی سه شنبه  ۳۱ خردادماه ساعت  ۱۶:۳۰  از پروژه کارشناسی ارشد خود  تحت عنوان "کدگذاری تطبیق پذیر منبع برای ارسال مقید به تأخیر داده­ها توسط تجهیزات حسگری اینترنت اشیا با قابلیت برداشت انرژی" دفاع خواهند نمود.

چکیده پایان نامه:
یکی از مهم­ترین چالش­های توسعه اینترنت اشیاء، محدودیت انرژی تجهیزات است. برای صرفه­جویی در مصرف انرژی تجهیزات اینترنت اشیاء می­توان از تکنیک­های کاهش­ حجم داده برای انتقال (مثلا از طریق فشرده­سازی داده­های دریافتی از حسگرها که در دو نوع فشرده­سازی با اتلاف و بدون اتلاف صورت می­پذیرد) و همچنین از پیشرفت­های فناوری (مثل برداشت انرژی) بهره برد.
در این پایان­نامه، ما مسئله کنترل توأم نرخ فشرده­سازی (با اتلاف) و تعداد بسته­های ارسالی در واحد زمان را برای یک گره اینترنت اشیاء مجهز به منبع انرژی تجدیدپذیر مطرح می­کنیم. نوآوری راهکار پیشنهادی در توجه هم­زمان به دو هدف بهینه­سازی یعنی سطح تطابق داده­های دریافتی با داده­های اصلی و رعایت قید تأخیر ارسال داده­هاست. به­علاوه، میزان هدررفت بسته­ها بابت سرریز فضای بافر داده نیز به عنوان معیار کارایی دیگر در تابع هدف سیستم دخالت داده می­شود تا عملکرد گره به صورت یک­جانبه­گرایانه به افزایش سطح تطابق سوق داده نشود. برای این منظور، با استفاده از چارچوب ریاضی فرآیند تصمیم مارکُفی مقیّد، مسئله را در قالب یک بهینه­سازی تصادفی طرح می­کنیم که هدف آن بیشینه کردن متوسط سطح تطابق داده­ها در بلندمدت، ضمن ایجاد محدودیت در متوسط تأخیرِ گزارش رویدادهای حسگری است. در این مسئله، نامقیّدسازی با روش استاندارد لاگرانژین انجام می­شود. الگوریتم­های پیشنهادی در این پایان­نامه برای محاسبۀ سیاست بهینۀ تطبیق­پذیر بر مبنای دو تکنیک­ یادگیری تقویتی سریع به نام PDS و VE است که می­تواند با جداسازی پویایی سیستم به دو بخش قطعی و تصادفی، با اتخاذ تصمیمات حریصانه و بدون نیاز به دانش آماری فرآیندهای تصادفیِ کانالِ بی­سیم، شارژ انرژی و وقوع رویدادهای حسگری، همگرایی به سیاست بهینه را تضمین نماید.  هم­چنین با انجام به­روزرسانی­های فرصت­طلبانه دسته­ای قادرند در تعداد تکرار کمتر و پیچیدگی نمونه­برداری پایین­تر نسبت به روش­های استاندارد یادگیری تقویتی (مثلاً: Q-learning)، همگرایی به سیاست بهینه کنترلی را  با سرعت بیشتری حاصل نمایند. کارایی سیاست­­های پیشنهادی با الگوریتم استاندارد Q-learning مورد مقایسه قرار گرفته و به لحاظ مصرف انرژی، میزان هدررفت بسته­های داده و هم­چنین سطح تطابق داده­های گزارش شده با انجام آزمایشات عددی تحت سناریوهای مختلف از جمله  تأثیر پارامترهایی مثل حجم ورود داده­ها، میزان انرژی موجود در هر خانه بافر انرژی و میزان جریمه هدر رفت، مورد ارزیابی قرار می­گیرند. نتایج نشان می­دهند که ضمن رعایت قید تأخیر ارسال داده­ها توسط هر سه روش، سطح تطابق داده­های گزارش شده در روش VE نسبت به روش استاندارد Q-learning به میزان ۶۳.۷۴۱ درصد و روش PDS نسبت به روش استاندارد Q-learning میزان ۶۱.۸۴۵ درصد بهبود یافته است.

واژه‌های کلیدی:
اینترنت اشیاء، تطابق داده­ها، فرآیند تصمیم­گیری مارکُف مقیّد، موازنه فشرده­سازی و ارسال، یادگیری تقویتیPDSو VE.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی