הבנת רשתות חיישן גדול-Scale

רשתות חיישן בקנה מידה גדול הן יסוד מערכות ניטור ובקרה מודרניות.רשתות אלה לפרוס מאות עד אלפי צניפים לאיסוף נתונים סביבתיים - זמן, לחות, רטט, ריכוז כימי, ועוד - ומעבירים אותו לשקועים מרכזיים או שערים. יישומים אופייניים כוללים דיוק, ניטור בריאות מבני, זיהוי שריפות שדה הקרב, מעקב וניהול רשת חכם.

חיישן יחיד עשוי רק להיות טווח תקשורת של עשרות מטרים. כדי לכסות שטח גדול, נתונים חייבים לנסוע דרך בלוטות ביניים - כל צעד קדימה לצרוך אנרגיה ומציג עיכובים.ללא גילוח אינטליגנטי, הרשת עלולה לסבול מוות מוקדם ללא מוות מוות מוקדמת (מגבלות אכילה), ללא איזון אנרגיה, הפסקשות מופרזות, והפסדי החבילה מוגברת.

היקף הרשתות הללו גם מציג אי ודאות משמעותית.קריאת חיישנים יכול להיות רועש, התנגשות חבילות עלולה לגרום לנסיגה, וקשרי רדיו יכולים להיות אסימטריים או לסירוגין פרוטוקול חיסרון חזק חייב להיות מודל פרוביביליטי גורמים אלה.זה הוא שם טכניקות תכנות דינמיות - במיוחד אלה מושרשים בתהליכי ההחלטות של מארקוב (MDPs) - מעבר למסגרת רשמית לקבלת החלטות תחת אי הוודאות.

תפקיד תכנות דינמי בנתונים

תכנות דינמי (DP) פותר בעיות אופטימיזציה על ידי שבירה אותם לתוך תת-בעיות חפיפות, פתרון כל פעם, ומחסנית הפתרונות. בהקשר של חסימה, תת-הבעיות תואמים למציאת העלות האופטימלית (למשל, אנרגיה מינימלית, עצלות נמוכה, אמינות מקסימלית) מצומת מסוים ועד היעד.

(ב) ויקרא י"א): "וַיְּהִיא רָאוּ הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא" (במדבר כ"ד, כ"ד)

כאשר V(s) הוא העלות הצפויה המינימלית של המדינה, הוא הפעולה (choose Next הופ), C(s,a) היא העלות המיידית, ו P(s's,a) היא ההסתברות המעבר למצב הבא של המדינה. משוואה זו תחת מאגרי אלגוריתמים רבים, כולל אלגוריתם בלמן קלאסי-עבור וערך זה עבור MDP על ידי הערך האופטימלי, אפילו כדי לשנות את המצב האופטימלי, אפילו אלגוריתמים של המערכת.

DP מתאים במיוחד לרשתות חיישן כי זה יכול להתמודד עם קריטריונים מרובים עלות (אנרגיה, עיכוב, אובדן החבילה) בו זמנית באמצעות סכומי משקל או היררכיות מעצימות.זה גם מתאים באופן טבעי לסביבות סטוצ'סטיות: ההסתברות המעבר יכול מודל קישורים וריאציות איכות, התנגשות ערוצים, או ניידות ללא פיגור.

טכניקות תכנות דינמיות מפתח עבור רוסטינג

בלמן-Ford Algorithm

[האלגוריתם של ה- BellPA-Ford הוא שיטת DP קלאסית למציאת מסלולים קצרים ממקור יחיד לכל הצמתים האחרים, ואפילו בנוכחות משקולות שליליות (לא אופייניות ברשתות החיישן) הוא פועל על ידי נביחות מרגיעות שוב ושוב: ראשית, המרחק למקור הוא אפס, וכל השאר הוא קובע את האלגוריתם של אלגוריתם (לא רגיל ל-Ude באמצעות פרוטוקול אלקטרונים) רק לאחר לינוקס (R)

ערך תהליכי החלטה של מרקוב

כאשר תכונות קישור וזמינות node הם פרוביביליסטי, הבעיה של מחיקה הופכת תהליך החלטה של מארקוב (MDP) ערך היסוס (VI) הוא אלגוריתם DP כי באופן העדכונים את הפונקציה הערך V(s) באמצעות משוואה הערכה חלופית עד התכנסות (הארכה של מערכת הפעלה אופטימלית) תלוי פחות של כל פעולה אפשרית, ולאחר מכן בוחר את הטוב ביותר ברשתות החיישן, מצב עשוי להיות תקן זיהוי מוקדם יותר (F) אשר תלוי בתנאי פתרון זמן חלופי).

פלויד-Warshall Algorithm for All-Pairs רוסינג

עבור רשתות שבהן כל צומת עשוי להיות צורך נתיב לכל צומת אחר (למשל, בתקשורת עמיתים-על-פי-פוזר או עיבוד שאילתה מבוזר), אלגוריתם פלויד-Warshall מספק פתרון נתיב קצר ביותר לכל-החולה.זה בונה מאטריקס של מרחקים D [i] אך הוא רואה כל אחד מהם ללא צומת כאמצעי עצירה: אם [ik] [D] אינו יכול להיות מתרגם את הדרגה גבוהה יותר [שלמה] אך אינו יכול [ה] אלא אם כן] אם הוא אינו יכול להיות [15] [התוצאה] [התוצאה] לא ניתן לעדכון] [היתר על-D] [היתר על-D.

« « ⁇ ⁇ ⁇

פרדיגמת מתפתחת ברשתות חיישן אלחוטית היא חסימה ⁇ סטית (OR), שבו כל צומת כי overhears חבילה עשוי לקדם את זה, מינוף האופי השידור של המדיום.העלות הצפויה של ציפייה נקבעת באמצעות DP, בהתחשב בעובדה כי ההופ הבא בפועל אינו נקבע מראש, אבל הוא הראשון של מועמדים אשר למעשה מקבל את החבילה.

(ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) ,[דרוש מקור] ב[[1924]]]] ו[[1924]]]]]] [[1924]]]]]] ו[[1924]]]]]] [[1924]]]]]]]]]]]]]] [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]

היתרונות של דינמי תכנות מבוסס על רינג

יישום שיטות DP ברשתות חיישן בקנה מידה גדול מניב יתרונות קונקרטיים המשפיעים ישירות על ביצועי הרשת ועל חיי החיים.

אפשרויות ל Optimality

בהתחשב במודל עלות נכון, אלגוריתמים DP מבטיחים למצוא את המדיניות האופטימלית (או ε-optimal) של מדיניות זה בניגוד לשיטות היסטריות כמו אופטימיזציה של מושבה או אלגוריתמים גנטיים, אשר מציעים לא ערבויות אופטימליות.ביישומים קריטיים בטיחותיים (למשל, זיהוי ביער, או ניטור מבני בגשר), הבטחה זו חיונית.

הסתגלות לשינויים דינמיים

אלגוריתמים מבוססי DP יכולים להיות מיושמים באופן מבוזר, מסונכרן. Nodes להחליף הערכות ערך מעת לעת (למשל, מרחק וקטורים) ועדכון שלהם.כאשר קישור נכשל או חדש נוד מצטרף, האופי הרהרטיבי של רכילות בלמאן-ל-DP או ערך זה מגביר את השינוי באמצעות הרשת.

אנרגיה יעילה באמצעות אופטימיזציה רב-אופטימית

אתגר גדול ברשתות החיישן הוא למקסם את חיי הרשת, המוגדר כזמן עד שהצומת הראשון ממצה את הסוללה שלו. DP יכול לשלב אנרגיה מיושנת ישירות לתוך הפונקציה העלות.לדוגמה, במקום למזער ספירת היפ הופ, האלגוריתם יכול למזער עלות כי הוא הפוך ביחס לאנרגיה שנותרה של כל אחד מהם.זה להימנע שוב ושוב באמצעות אותה אנרגיה נמוכה כמו מרכזי אנרגיה הראות יתר על ידי 50 נקודות זמן.

סקלאה עם הירוארכיזם

DP טהור מקנה רשתות גדולות מאוד בשל הפיצוץ המרחבי של המדינה.עם זאת, על ידי חלוקת הרשת למקבצים או ל tiers, DP ניתן ליישם בתוך כל אשכולות ובין אשכולות בנפרד.לדוגמה, בארכיטקטורה דו-שכבתית, צומת נמוך יותר קדימה לראשי אשכול, וראשי אשכול משתמשים ב-DP כדי לסלולים על פני עמוד השדרה.

אתגרים ומגבלות

למרות האלגנטיות התיאורטית שלו, החלת DP ברשתות חיישן תפעול מציגה כמה מכשולים שיש לטפל בהם כדי לבצע פריסה מוצלחת.

מורכבות וזיכרון

צניפים בדרך כלל יש מיקרובקרים עם זיכרון RAM מוגבל (על סדר של קיליטרים) ומהירויות שעון נמוכות (כמה MHz) הפעלת אלגוריתמים DP הדורשים אחסון ערכים עבור כל מדינה אפשרית הוא בלתי אפשרי.עבור רשת של 10,000-נודה שבה כל מדינה של node כולל אנרגיה מיושנת משלה (למשל, 100 רמות) תור שלה (10 אורכו), כל רמה גבוהה של אחסון של טווח נמוך של רשתות זיכרון (אוטומטיות) אינה חייבת להיות רק בינוני).

דרושים מודלים פרוביביליסטיים

אופטימליות של DP תלויה הדיוק של ההסתברות המעבר ומודלים עלות.בפרקטיקה, איכות הקישור אלחוטית פלוקפטידים במהירות בשל התערבות, ריבוי קידוד ומכשולים סביבתיים.Build a סטוצ'יסטי מדויק עבור כל קישור הוא מאתגר.Overly פשטו מודלים פשטניים (למשל, בהנחה שקישורים מושלמים עם שיעור שגיאה 0) מובילים לאינטראקציה אינטימיות, בעוד שמודלים מורכבים לשימוש ב-Apstationual Access) נמצאים בשימוש ב-upstationerative Access.

זמן וקישור Dynamics

אלגוריתמים DP כמו אלגוריתם מבוזר Bellman-Ford דורשים סיבובים מרובים של חילופי הודעות כדי לתכנס לטבלאות קבועות של קידוד.ברשתות עם ניידות גבוהה (למשל, רשתות חיישן vehicular), הטופולוגיה עשויה להשתנות מהר יותר מהאלגוריתם יכול לתכנס, מה שמוביל לפענוחות הפעלה, חורים שחורים או הפסדים גבוהים.

אנרגיה מעל ומעבר להוצאה להורג של אלגוריים

הפעלת חישובים על צמתים מאומצים משאבים צורכת אנרגיה.יתר על כן, החלפת עדכוני ערך בקרב שכנים מוסיפה תקשורת מעל הראש - האנרגיה הגדולה ביותר ניקוז ברוב רשתות החיישן.במקרים מסוימים, ראש הפעלת אלגוריתם ה-DP יכול לזרז את החיסכון באנרגיה מחשיפה טובה יותר.DP לכן, תדירות העדכונים של האלגוריתם חייבת להיות מכוונת לדינמיקה של הרשת: רק כאשר שינויים משמעותיים (למשל, לא מופעלים) לאחר חסימות אנרגיה.

כיוונים עתידיים ומחקרים עתידיים

החוקרים מפתחים פתרונות כדי להתגבר על המגבלות של DP טהור תוך שמירה על תכונות אופטימליות שלה.מספר דרכים מבטיחות נחקרות.

דיסטריוט וערך סינכרוני

ערך קלאסי דורש עדכונים סינכרוניים.עבור רשתות בקנה מידה גדול, תיאום סינכרוני אינו מציאותי עקב סחף השעון ועיכובים משתנים. asynchronous Value Iteration (נקרא "Gauss-Seidel" in DP) מאפשר nodes לעדכן את הערכים המקומיים שלהם באופן עצמאי באמצעות הערכים הידועים האחרונים של שכנים.

שילוב עם Reinforcement Learning

במקום להניח מראש את אפשרויות המעבר שנקבעו, אלגוריתם חיישנים יכול ללמוד את הפעולות הטובות ביותר באמצעות משפט וטעייה.FLT:0Q-learningFLT:1, אלגוריתם ללא מודל, קשור קשר הדוק לכדאיות ערך אך אינו דורש מודל של הסביבה.

(ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

זוהי גרסה מבוססת מדגם של משוואה בלמן.ברשתות חיישן, כל משלוח החבילה מספק עלות מדגם (אנרגיה נצרכת, עיכוב, הצלחה / תיקון) Nodes לעדכן Q-values באופן מקומי ולעתים לחלוק אותם עם שכנים.ה היתרון הוא כי אין מודל מפורש נדרש, והאלגוריתם מותאם באופן טבעי לשינויים ללא יכולת חישובית פשוטה יותר (QD) עם זאת, חיפוש אחר פעולות תת-אופטימיות כדי לגלות טוב יותר - QDTQ.

הערכה ו- Hierarchical DP

כדי להתמודד עם חללים גדולים, החוקרים ללוות טכניקות מתכנות דינמיות משוערות (ADP) במקום אחסון V(s) עבור כל מדינה, הפונקציה parametric פונקציה approximator (למשל, שילוב ליניארי של תכונות, או רשת עצבית) משמש.תכונות עשויות לכלול מיקום צומת נוכחי, תור אנרגיה, אורך, ומספר שכנים פעילים.

אינטגרציה עם Network Coding and Cooperative תקשורת

שילוב של DP routing עם רשת coding יכול לשפר עוד דרךput ואמינות.לדוגמה, ברשת ליניארית, אלגוריתם DP יכול להחליט איפה למקם צומת (שם חבילות XORed) כדי למזער הרשאות. בדומה, תקשורת שיתופית יכולה לנצל מספר רב של צמתים להעביר כדי לשפר את הסיכוי של משלוח מוצלח; DP יכול ליישר הקצאת כוח בין ללא שיתופי פעולה אלה.

פיזור עולמי ותקנות

בעוד ש-DP-based routing סימולציה נרחבת, פחות פריסות של עולם אמת קיימות בשל אתגרים יישום, עם זאת, מסגרת קוד פתוח כמו FLT:0Contiki-NGFLT:1 ו-FLT:2RIOT הופך ל- RAM גבוה יותר (pLT) 3 עכשיו כולל תמיכה בפרוטוקולים דינמיים (למשל, R, IPv6 עבור שימוש ב-RAM) כמו תוכניות הפעלה סטנדרטיות (R).

מסקנה

תכנות דינמי מספק בסיס קפדני מתמטית עבור אופטימיזציה של נתונים ניתוק רשתות חיישן בקנה מידה גדול.מ- Bellman-Ford ועד מודרני תהליך החלטה תהליך מארקוב, אלגוריתמי DP מאפשרים חישוב של מסלולים אופטימליים או לידים הממזערים צריכת אנרגיה, להפחית את הגמישות, ולהרחיב את חיי הרשת ביעילות, את היתרונות של יעילות מוכחת, הסתגלות, אופטימיזציה רב-אובייקטיביים הם עבור יישומים מעשיים, אבל לחץ על ידי שיטות למידה יעילה, אבל לחץ אוויריות, לחץ על ידי שיטות פעולה יעילה, לחץ אוויריות, ומהירות לוח זמנים של יעילות, וצמיחה יעילה, וצמיחה יעילה, וצמיחה יעילה, וצמיחה מהירה של פיתוח.

(ב) עיין בכתובות הקלאסיות (ב) ב[[1924]], ב[[1924]] וב[[1924]], [[1924]]]], [[1924]], [[1924]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]