Τεχνικές βελτιστοποίησης μηχανισμού ADR σε δίκτυα LoRa με χρήση μηχανικής μάθησης
Loading...
Date
2026-07-06
Authors
Λεφάκης, Αλέξανδρος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Το Διαδίκτυο των Πραγμάτων (IoT) αναπτύσσεται ραγδαία, δημιουργώντας ανάγκη για τεχνολογίες επικοινωνίας μεγάλης εμβέλειας, χαμηλής κατανάλωσης και υψηλήςαξιοπιστίας. Το LoRaWAN αποτελεί κορυφαία λύση στην κατηγορία LPWAN, με τον μηχανισμό Adaptive Data Rate (ADR) να αποτελεί κεντρικό σημείο ελέγχου της απόδοσής του. Ωστόσο, ο κλασικός ADR εμφανίζει σημαντικές αδυναμίες σε δυναμικά περιβάλλοντα υψηλού φόρτου, οδηγώντας είτε σε υπερκατανάλωση ενέργειας είτε σε χαμηλό ρυθμό επιτυχούς παράδοσης (DER).Η παρούσα εργασία εισάγει δύο νέους μηχανισμούς βελτιστοποίησης του ADRβασισμένους σε τεχνικές Ενισχυτικής Μάθησης: τον ML-ADR (Q-learning με πίνακα Q-table) και τον DQN (Deep Q-Network με νευρωνικό δίκτυο). Οι προτεινόμενοι αλγόριθμοι λαμβάνουν αποφάσεις βάσει διακριτής κατάστασης 18 διαστάσεων, η οποία περιλαμβάνει μετρικές ποιότητας καναλιού (RSSI, SNR), στατιστικά απόδοσης (DER, collision rate), ενεργειακό υπόλοιπο και ιστορικό επιτυχιών/αποτυχιών. Ο χώρος ενεργειών αποτελείται από 66 διακριτούς συνδυασμούς (SF, BW, TX Power).Για την αξιολόγηση αναπτύχθηκε πλήρης προσομοιωτής δικτύου LoRa σε Python (LoRa Simulator), ο οποίος ενσωματώνει λεπτομερές ενεργειακό μοντέλο, υποστήριξηκατευθυντικών κεραιών, μοντέλο συγκρούσεων ALOHA με φυσική ανίχνευση καιδυνατότητα εναλλαγής μεταξύ τριών διαφορετικών αλγορίθμων ADR (Original ADR, ML-ADR, DQN).Η πειραματική διάταξη περιλαμβάνει 1.000 κόμβους, 1 σταθμό βάσης, προσομοίωση 200.000 ms (3,33 λεπτά), μπαταρία 300 mAh, πέντε περιόδους μετάδοσης (1.000, 3.000, 6.000, 10.000, 20.000 ms) και τρεις αλγορίθμους (Original ADR, ML-ADR, DQN).Τα αποτελέσματα δείχνουν ότι ο DQN υπερέχει σημαντικά σε υψηλούς ρυθμούςμετάδοσης, επιτυγχάνοντας DER 81,5% έναντι 60,9% του Original ADR για περίοδο 1.000 ms, δηλαδή βελτίωση +20,6%. Σε χαμηλούς ρυθμούς, για περίοδο 20.000 ms, οι διαφορές συρρικνώνονται (98,9% έναντι 95,4%). Ως προς την ενέργεια ανά επιτυχημένο πακέτο, ο DQN επιτυγχάνει σταθερή κατανάλωση περίπου 209 µAh, έναντι περίπου 221–226 µAh του Original ADR, δηλαδή βελτίωση περίπου 7%. Για περίοδο 1.000 ms, ο DQN προσφέρει πραγματική διάρκεια ζωής μπαταρίας περίπου 6,4 ώρες έναντι περίπου 3,3 ωρών του ADR, δηλαδή βελτίωση +94%. Για περίοδο 20.000 ms, η διάρκεια ζωής ανέρχεται σε περίπου 328 ημέρες για τον DQN, έναντι περίπου 313 ημερών για τον ADR.Μια κρίσιμη μεθοδολογική επισήμανση της εργασίας είναι ότι η συμβατική μετρική «μέση ενέργεια ανά πακέτο» υποεκτιμά συστηματικά το πραγματικό ενεργειακό κόστος, καθώς αγνοεί τις αποτυχημένες μεταδόσεις. Η προτεινόμενη μετρική «πραγματική ενέργεια ανά επιτυχημένο πακέτο» αποδεικνύεται 5–8% υψηλότερη και καταλληλότερη για ρεαλιστικές εκτιμήσεις. Συμπερασματικά, η εφαρμογή τεχνικών Ενισχυτικής Μάθησης, ιδιαίτερα του DQN, μπορεί να βελτιώσει σημαντικά την αξιοπιστία και την ενεργειακή απόδοση δικτύων LoRaWAN, με το κέρδος να είναι εντυπωσιακό σε συνθήκες υψηλού φόρτου. Ο ML-ADR αποτελεί μια ενδιάμεση λύση με μικρότερη υπολογιστική επιβάρυνση και ταχύτερη σύγκλιση.
Description
Keywords
Δίκτυα LoRaWAN, Ενισχυτική μάθηση, Προσαρμοστικός ρυθμός δεδομένων, Διαδίκτυο των Πραγμάτων