Τεχνικές βελτιστοποίησης μηχανισμού ADR σε δίκτυα LoRa με χρήση μηχανικής μάθησης
| datacite.contributor.RelatedPerson | Βλάχος, Κυριάκος | |
| datacite.contributor.RelatedPerson | Μπερμπερίδης, Κωνσταντίνος | |
| datacite.contributor.Supervisor | Μπούρας, Χρήστος | |
| dc.contributor.author | Λεφάκης, Αλέξανδρος | |
| dc.contributor.other | Lefakis, Alexandros | |
| dc.date.accessioned | 2026-07-09T10:10:05Z | |
| dc.date.available | 2026-07-09T10:10:05Z | |
| dc.date.issued | 2026-07-06 | |
| dc.degree | graduateThesis | |
| dc.description.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. | |
| dc.description.translatedabstract | The Internet of Things (IoT) is expanding rapidly, creating a demand for long-range, low-power, and reliable communication technologies. LoRaWAN is one of the leading LPWAN solutions, with the Adaptive Data Rate (ADR) mechanism being central to its performance. However, classical ADR exhibits significant limitations in dynamic, high-load environments, leading either to excessive energy consumption or low packet delivery rates (DER). This thesis introduces two novel ADR optimization mechanisms based on Reinforcement Learning: ML-ADR (Q-learning with a Q-table) and DQN (Deep Q-Network). The proposed algorithms make decisions based on an 18-dimensional discrete state space, which includes channel quality metrics (RSSI, SNR), performance statistics (DER, collision rate), remaining battery level, and success/failure history. The action space consists of 66 discrete (SF, BW, TX Power) combinations. For evaluation, a comprehensive LoRa network simulator was developed in Python (LoRa Simulator), incorporating a detailed energy model, directional antenna support, ALOHA collision detection with physical sensing, and the ability to switch between three different ADR algorithms (Original ADR, ML-ADR, DQN). The experimental setup includes 1,000 nodes, 1 gateway, 200,000 ms simulation time (3.33 minutes), a 300 mAh battery, five transmission periods (1,000, 3,000, 6,000, 10,000, 20,000 ms), and three algorithms (Original ADR, ML-ADR, DQN). Results show that DQN significantly outperforms under high transmission rates, achieving 81.5% DER versus 60.9% for Original ADR at a 1,000 ms period, corresponding to a +20.6% improvement. At low transmission rates (20,000 ms period), the differences shrink (98.9% vs 95.4%). In terms of energy per successful packet, DQN achieves a stable consumption of approximately 209 µAh, compared to approximately 221–226 µAh for Original ADR, corresponding to an improvement of about 7%. For the 1,000 ms period, DQN offers a true battery lifetime of approximately 6.4 hours, compared to approximately 3.3 hours for ADR, corresponding to a +94% improvement. For the 20,000 ms period, battery lifetime reaches approximately 328 days for DQN, compared to approximately 313 days for ADR. A key methodological insight is that the conventional "average energy per packet" metric systematically underestimates the true energy cost, as it ignores failed transmissions. The proposed "true energy per successful packet" metric proves to be 5–8% higher and more suitable for realistic estimations. In conclusion, the application of Reinforcement Learning techniques, particularly DQN, can significantly improve both reliability and energy efficiency in LoRaWAN networks, with the gain being particularly impressive under high-load conditions. ML-ADR serves as an intermediate solution with lower computational overhead and faster convergence. | |
| dc.identifier.uri | https://hdl.handle.net/10889/32420 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Δίκτυα LoRaWAN | |
| dc.subject | Ενισχυτική μάθηση | |
| dc.subject | Προσαρμοστικός ρυθμός δεδομένων | |
| dc.subject | Διαδίκτυο των Πραγμάτων | |
| dc.subject.alternative | LoRaWAN networks | |
| dc.subject.alternative | Deep Q-network (DQN) | |
| dc.subject.alternative | Internet of Things (IoT) | |
| dc.subject.alternative | Q-Learning | |
| dc.title | Τεχνικές βελτιστοποίησης μηχανισμού ADR σε δίκτυα LoRa με χρήση μηχανικής μάθησης | |
| dc.title.alternative | Optimization techniques for the ADR mechanism in LoRa networks using machine learning |