Βελτιστοποίηση της μετάδοσης δεδομένων σε συστήματα IoT βασισμένα σε δίκτυα LoRa με χρήση TinyML
Loading...
Date
2026-07-01
Authors
Θανοπούλου, Ελένη
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η βελτιστοποίηση της μετάδοσης δεδομένων στο ∆ιαδίκτυο των Πραγμάτων (ΙοΤ) χρησιμοποιώντας την τεχνολογία Tiny Machine Learning (TinyML) σε δίκτυο LoRa μέσω αυτής της έρευνας. Ο πρωταρχικός στόχος είναι η ελαχιστοποίηση του αριθμού των πακέτων που αποστέλλονται και στη συνέχεια η μείωση της κατανάλωσης ενέργειας που συμβαίνει στους κόμβους αισθητήρων, παρέχοντας παράλληλα μια αποδεκτή ποιότητα παρακολούθησης. Συγκεκριμένα, αυτή η έρευνα πραγματοποιήθηκε σε ένα πραγματικό παράδειγμα περιβαλλοντικής παρακολούθησης χρησιμοποιώντας αισθητήρες θερμοκρασίας και υγρασίας που είναι συνδεδεμένοι με μικροελεγκτές με περιορισμένους πόρους. Στο τρέχον κανονικό μοντέλο περιοδικής μετάδοσης, τα δεδομένα συνήθως μεταδίδονται σε σταθερά χρονικά διαστήματα (δηλαδή κάθε 1 λεπτό). Η προτεινόμενη μέθοδος επιτρέπει τη λήψη τοπικών αποφάσεων στον κόμβο άκρου, όπου κάθε κόμβος είναι υπεύθυνος για τον προσδιορισμό του εάν η τελευταία νέα μέτρηση έχει αρκετές χρήσιμες πληροφορίες για να δικαιολογήσει τη μετάδοση.Το συγκριτικό πειραματικό πλαίσιο που ορίζεται σε αυτή τη μελέτη χρησιμοποιείται για την αξιολόγηση τριών διαφορετικών στρατηγικών μετάδοσης :1) Μοντέλο περιοδικής μετάδοσης βάσης με διαστήματα 1 λεπτού2) Μοντέλο ∆έντρου αποφάσεων για τον προσδιορισμό του εάν θα μεταδοθούν ή όχι δεδομένα3) Μοντέλο Λογιστικής παλινδρόμησης για τον προσδιορισμό του εάν θα μεταδοθούν ή όχι δεδομέναΑυτά τα μοντέλα επιλέχθηκαν επειδή έχουν χαμηλή υπολογιστική πολυπλοκότητα και είναι εφαρμόσιμα σε περιβάλλον TinyML. Η αξιολόγηση βασίζεται σε μετρικές όπως ο αριθμός των μεταδιδόμενων πακέτων, το ποσοστό μείωσης μεταδόσεων, ο χρόνος εκπομπής (airtime), η εκτιμώμενη κατανάλωση ενέργειας και η ποιότητα παρακολούθησης. Η εργασία παρουσιάζει ένα πλήρως καθορισμένο μεθοδολογικό πλαίσιο, το οποίο μπορεί να αξιολογηθεί ποσοτικά όταν διατεθούν πραγματικά δεδομένα και υλοποίηση.Τα αναμενόμενααποτελέσματα δείχνουν ότι τα ελαφριά μοντέλα μηχανικής μάθησης έχουν τη δυνατότητα να μειώσουν σημαντικά τον αριθμό των περιττών μεταδόσεων, βελτιώνοντας την ενεργειακή απόδοση των συστημάτων ΙοΤ που βασίζονται σε LoRa χωρίς να μειώσουν σημαντικά την ποσότητα των χρήσιμων πληροφοριών που μεταδίδονται. Συμπληρωματικά, στο πλαίσιο της προτεινόμενης υλοποίησης εξετάζονται και πρόσθετες ελαφρές προσεγγίσεις TinyML, όπωςMLP predictor και Autoencoder, καθώς και παράμετροι του φυσικού επιπέδου LoRa, όπως PRR, SF, BW, CR, μέγεθος payload και airtime, ώστε να αποτυπωθεί πληρέστερα η σχέση μεταξύ αξιοπιστίας, μείωσης μεταδόσεων και ενεργειακής απόδοσης.
Description
Keywords
Διαδίκτυο των Πραγμάτων, Υπολογισμός στην άκρη, Βελτιστοποίηση μετάδοσης δεδομένων, Μείωση πακέτων, Ενεργειακή απόδοση, Δέντρα αποφάσεων, Λογιστική παλινδρόμηση, Περιβαλλοντική παρακολούθηση, Μετάδοση βάσει συμβάντων, Λόγος επιτυχούς λήψης