Ikke mere trafikblus til informationsoverførsel:Aflastning af trådløse kanaler

Tingenes trådløse internet (IoT) er et netværk af enheder, hvor hver enhed kan sende information direkte til en anden via trådløse kommunikationskanaler, uden menneskelig indblanding. Med antallet af IoT-enheder stiger hver dag, mængden af ​​information på trådløse kanaler er også stigende. Dette forårsager overbelastning over netværket, fører til tab af information på grund af interferens og manglende informationslevering. Forskning for at løse dette problem med overbelastning er i gang, og den mest accepterede og anvendte løsning er "multi-channel" teknologi. Med denne teknologi, informationstransmission er fordelt på forskellige parallelle kanaler baseret på trafikken i en bestemt kanal på et givet tidspunkt.

Men, på nuværende tidspunkt, optimale informationstransmissionskanaler vælges ved hjælp af algoritmer, der ikke kan understøttes af de fleste eksisterende IoT-enheder, fordi disse er ressourcebegrænsede; dvs. de har lav lagerkapacitet og lav processorkraft, og skal være strømbesparende, mens den forbliver i drift i længere perioder.

I en nylig undersøgelse offentliggjort i Anvendt Videnskab , en gruppe videnskabsmænd fra Tokyo University of Science og Keio University, Japan, foreslå brugen af ​​en maskinlæringsalgoritme, baseret på tovtrækningsmodel (som er en grundlæggende model, tidligere foreslået af professor Song-Ju Kim fra Keio University, der bruges til at løse sådanne problemer som hvordan man distribuerer information på tværs af kanaler), for at vælge kanaler. "Vi indså, at denne algoritme kunne anvendes på IoT-enheder, og vi besluttede at implementere det og eksperimentere med det, " Professor Mikio Hasegawa, ledende videnskabsmand fra Tokyo University of Science, siger.

I deres undersøgelse, de byggede et system, hvor flere IoT-enheder var forbundet for at danne et netværk, og hver enhed kunne kun vælge en af ​​flere tilgængelige kanaler, hvorigennem de skulle transmittere information hver gang. I øvrigt, hver enhed var ressourcebegrænset. I forsøget enhederne havde til opgave at vågne op, at sende en enkelt information, Falde i søvn, og derefter gentage cyklussen et vist antal gange. Rollen af ​​den foreslåede algoritme var at gøre det muligt for enhederne at vælge den optimale kanal hver gang, sådan at til sidst, det højest mulige antal vellykkede transmissioner (dvs. når al information når sin destination i ét stykke) har fundet sted.

Algoritmen kaldes reinforcement-learning, og den går til opgaven som følger:hver gang et stykke information transmitteres gennem en kanal, det bemærker sandsynligheden for at opnå succesfulde transmissioner via den kanal, baseret på, om informationen helt og præcist når frem til sin destination. Den opdaterer disse data ved hver efterfølgende transmission.

Forskerne brugte denne opsætning til også at kontrollere a) om algoritmen var vellykket, b) om det var upartisk i sit valg af kanaler, og c) om den kunne tilpasse sig trafikvariationer i en kanal. Til testene, der blev konstrueret et ekstra kontrolsystem, hvor hver enhed blev tildelt en bestemt kanal, og den kunne ikke vælge nogen anden kanal, når den transmitterede information. I det første tilfælde, nogle kanaler var overbelastede før eksperimentet begyndte, og forskerne fandt ud af, at antallet af vellykkede transmissioner var større, når algoritmen blev brugt, i modsætning til da det ikke var. I det andet tilfælde, nogle kanaler blev overbelastede, når algoritmen ikke blev brugt, og information kunne ikke overføres gennem dem efter et tidspunkt, forårsager "uretfærdighed" i kanalvalg. Imidlertid, når forskerne brugte algoritmen, kanalvalget blev fundet retfærdigt. Resultaterne for det tredje tilfælde tydeliggør resultaterne for de to foregående tilfælde:når algoritmen blev brugt, enheder begyndte automatisk at ignorere en overbelastet kanal og genbrugte den kun, når trafikken i den faldt.

"Vi opnåede kanalvalg med en lille mængde beregning og en højtydende maskinlæringsalgoritme, " Prof Hasegawa fortæller os. Selvom dette betyder, at algoritmen med succes løste kanalvalgsproblemet under eksperimentelle forhold, dets forhold i den virkelige verden er endnu uvist. "Felteksperimenter for at teste robustheden af ​​denne algoritme vil blive udført i yderligere forskning, " siger forskerne. De planlægger også at forbedre algoritmen i fremtidig forskning ved at tage andre netværkskarakteristika i betragtning, såsom kanal transmissionskvalitet.

Verden bevæger sig hurtigt mod massive trådløse IoT-netværk med et stigende antal enheder, der forbinder over trådløse kanaler globalt. Enhver mulig organisation eller lærd benytter lejligheden i dette øjeblik i tidens historie til at løse kanalvalgsproblemet og komme foran spillet. Prof Hasegawa og hans team har formået at tage et af de første skridt i løbet. Fremtiden for højhastighed, fejlfri trådløs informationsoverførsel kan være tæt på!