Больше никакого трафика для передачи информации: разгрузка беспроводных каналов


Растущее число устройств, подключенных к беспроводным сетям, приводит к перегрузке каналов передачи информации интенсивным информационным трафиком. Однако эти устройства ограничены в ресурсах и не могут поддерживать существующие методы борьбы с перегрузкой. В новом исследовании ученые из Токийского университета науки и Университета Кейо применили определенную технику машинного обучения, которая может позволить даже этим устройствам адаптивно выбирать более свободные каналы для информационного потока.

Больше никакого трафика для передачи информации: разгрузка беспроводных каналов
Алгоритм машинного обучения может помочь выбрать лучший канал для связи в беспроводной сети устройств с ограниченными ресурсами

Беспроводной Интернет вещей (IoT) – это сеть устройств, в которой каждое устройство может напрямую передавать информацию другому по беспроводным каналам связи, без вмешательства человека. Поскольку количество устройств IoT растет с каждым днем, объем информации на беспроводных каналах также увеличивается. Это вызывает перегрузку сети, что приводит к потере информации из-за помех и сбоям в доставке информации. Исследования по решению этой проблемы перегруженности продолжаются, и наиболее широко принятым и применяемым решением является технология “многоканальности”. В этой технологии передача информации распределяется между различными параллельными каналами в зависимости от трафика в конкретном канале в данный момент времени.

Однако в настоящее время оптимальные каналы передачи информации выбираются с помощью алгоритмов, которые не могут поддерживаться большинством существующих IoT-устройств, поскольку они ограничены в ресурсах, то есть имеют малый объем памяти и малую вычислительную мощность, а также должны быть энергосберегающими при длительной работе. В недавнем исследовании, опубликованном в журнале Applied Sciences, группа ученых из

Токийского научного университета и Университета Кейо, Япония, предлагает использовать алгоритм машинного обучения, основанный на модели перетягивания каната (это фундаментальная модель, ранее предложенная профессором Сонг-Ю Ким из Университета Кейо, которая используется для решения таких проблем, как распределение информации по каналам), для выбора каналов. “Мы поняли, что этот алгоритм может быть применен к IoT-устройствам, и решили реализовать его и поэкспериментировать с ним”, – говорит профессор Микио Хасегава, ведущий ученый из Токийского научного университета.

В своем исследовании они создали систему, в которой несколько IoT-устройств были соединены в сеть, и каждое устройство могло выбрать только один из нескольких доступных каналов для передачи информации каждый раз. Кроме того, каждое устройство было ограничено в ресурсах. В ходе эксперимента перед устройствами ставилась задача проснуться, передать один фрагмент информации, заснуть, а затем повторить цикл определенное количество раз. Роль предложенного алгоритма заключалась в том, чтобы позволить устройствам каждый раз выбирать оптимальный канал таким образом, чтобы в конце всего этого происходило максимально возможное количество успешных передач (т.е. когда вся информация достигает места назначения в целости и сохранности).

Алгоритм называется “обучение с подкреплением”, и он решает эту задачу следующим образом: каждый раз, когда часть информации передается по каналу, он отмечает вероятность успешной передачи по этому каналу, основываясь на том, полностью и точно ли информация достигает места назначения. Эти данные обновляются при каждой последующей передаче.

Исследователи использовали эту установку для проверки: а) успешности алгоритма, б) его объективности при выборе каналов и в) его способности адаптироваться к изменениям трафика в канале. Для испытаний была построена дополнительная система управления, в которой каждому устройству был назначен определенный канал, и оно не могло выбрать другой канал при передаче информации. В первом случае некоторые каналы были перегружены перед началом эксперимента, и ученые обнаружили, что количество успешных передач было больше, когда алгоритм использовался, по сравнению с тем, когда он не использовался.

Во втором случае, когда алгоритм не использовался, некоторые каналы были перегружены, и информация не могла быть передана по ним через некоторое время, что вызвало “несправедливость” в выборе каналов. Однако, когда ученые использовали алгоритм, выбор каналов был признан справедливым. Выводы для третьего случая уточняют выводы для двух предыдущих: при использовании алгоритма устройства автоматически начинали игнорировать перегруженный канал и повторно использовали его только тогда, когда трафик в нем уменьшался.

“Мы добились выбора канала с помощью небольшого объема вычислений и высокопроизводительного алгоритма машинного обучения”, – говорит профессор Хасегава. Хотя это означает, что алгоритм успешно решил проблему выбора канала в экспериментальных условиях, его эффективность в реальном мире еще предстоит выяснить. “Полевые эксперименты для проверки надежности этого алгоритма будут проведены в ходе дальнейших исследований”, – говорят ученые. Они также планируют усовершенствовать алгоритм в будущих исследованиях, принимая во внимание другие характеристики сети, такие как качество передачи данных по каналу.

Мир стремительно движется в сторону массовых беспроводных сетей IoT с растущим числом устройств, подключающихся по беспроводным каналам во всем мире. Каждая возможная организация или ученый используют этот момент в истории времени, чтобы решить проблему выбора канала и опередить события. Профессору Хасегаве и его команде удалось сделать один из первых шагов в этой гонке. Возможно, будущее высокоскоростной, безошибочной беспроводной передачи информации уже близко!


Добавить комментарий