ارائه دهنده:
فرنوش نامجونیا
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 |