Announcement of the defence of the dissertation of Ing. Alexander Valach
Dovoľujeme si oznámiť, že dňa 14. decembra 2023 o 14.00 hod.
sa uskutoční na Fakulte informatiky a informačných technológií STU v Bratislave, Ilkovičova 2, 842 16 Bratislava, v miestnosti č. 2.06, obhajoba dizertačnej práce/
We would like to announce that on 14 December 2023 at 2:00 p.m. will be held at the Faculty of Informatics and Information Technology STU in Bratislava, Ilkovičova 2, 842 16 Bratislava, in room No. 2.06, the defence of the doctoral thesis of a PhD student
Ing. Alexandra Valacha/
Ing. Alexander Valach
Názov dizertačnej prác/Thesis title:
Zvýšenie efektivity Internetu vecí
Increasing the Internet of Things efficiency
Odbor/Study field: Informatika/Computer Science
Študijný program/Study program: Aplikovaná informatika/Applied informatics
Školiteľ/Supervisor: prof. Ing. Pavel Čičák, PhD. – FIIT STU v Bratislave
Abstrakt/Annotation:
S narastajúcim počtom koncových zariadení v sieťach Internetu vecí (IoT) vzniká potreba vytvoriť škálovateľné riešení a vysokou mierou adaptácie. Výskumy v oblasti nízko-energetických široko-oblastných sietí ukázali, že decentralizovaný prístup s využitím strojového učenia ľahko prekonáva centralizované riešenia a predstavuje aktuálne smerovanie vývoja technológií.
Technológia LoRa je vhodnou alternatívou pre mobilné uzly, ale chýba jej potenciál nie je naplnený bez spoľahlivých mechanizmov na adaptáciu uzlov na zmeny v sieti a efektívne nastavenie komunikačných parametrov s cieľom minimalizovať stratovosť paketov a maximalizovať spoľahlivosť siete. S tým je spojený problém spotreby energie, ktorú je potrebné dôkladne preskúmať, aby boli uzly schopné konkurovať existujúcim riešeniam, pretože existuje dopyt po zariadeniach IoT, ktoré môžu byť napájané niekoľko rokov na jednej batérii.
Táto dizertačná práca sa zaoberá súčasným stavom výskumu zefektívnenia komunikácie zariadení komunikujúcich pomocou technológie LoRa. Dôraz je kladený na zefektívnenie komunikácie pomocou decentralizovaného strojového učenia a porovnávajú sa dostupné algoritmy určené na riešenie problémy viacrukého banditu. Vzhľadom na nižšiu zložitosť a sľubné simulačné výsledky je algoritmus Thompsonovho vzorkovania vhodným kandidátom pre decentralizované učenie v sieťach LoRa. Práca pokračuje analýzou dvoch prístupov k detekcii obsadenia kanála, pričom sa v praxi uprednostňuje prístup, ktorý je viac šetrný k batériám a využíva mechanizmus vstavanej hardvérovej detekcie aktivity kanálu. Naša práca sa tiež zameriava na známe simulačné prostredia sietí, od čisto matematických modelov po vlastné riešenia a moduly pre známe nástroje na simuláciu sietí (NS-3). Po dôkladnom preskúmaní bola vybratá najvhodnejšia alternatíva v podobe úpravy existujúceho simulátora. Vyššie spomenuté body majú pripraviť siete využívajúce technológiu LoRa na nasadenie v mestskom prostredí s vysokou hustotou komunikácie a rizikom rušenia.
V ďalších kapitolách sme navrhli naše riešenie, ktoré zlepšuje proces učenia koncových uzlov pri výbere spoľahlivého primárneho (frekvencie) a sekundárneho (faktor rozprestretia, angl. Spreading Factor) kanála. Tento proces je dôležitý najmä v mestských oblastiach, kde sa zvyšuje riziko zahltenia kvôli nehostinnému prostrediu v nelicencovaných pásmach. Realizovali sme experimenty s 10 fyzickými koncovými zariadeniami vo fyzickom prostredí na hodnotenie výkonu navrhnutých algoritmov, vrátane tzv. Adaptive Data Rate, tzv. Upper Confidence Bound s detekciou aktivity kanálu a Thompsonovho vzorkovania s detekciou aktivity kanálu a alebo prístupu bez detekcie, tzv. metóda ALOHA. Okrem toho sme vyhodnocovali účinnosť algoritmu Thompsonovo vzorkovanie pre stacionárne a pohybujúce sa uzly a ukázalo sa, že ide o energeticky najefektívnejšie a spoľahlivé riešenie v husto osídlených mestských prostrediach s cieľom dlhodobej prevádzky koncových zariadení a častou potrebou odosielať správy
With an increasing number of connected end devices in Internet of Things networks, a demand for scalable and adaptable solutions arises. In recent years, research on low-power wide area networks proved that a distributed learning strategy easily outperforms a centralized solution, representing the current state-of-the-art.
LoRa is a very promising technology for utilization in mobile nodes but lacks a proper mechanism to adapt to network changes and effectively set communication parameters to minimize the collision rate and maximize network reliability. Another concern is power consumption, which should be closely examined to compare with currently available solutions as there is a demand for end devices to last on a single battery for several years.
In this document, the current state of research in the optimization of communication of LoRa devices is examined. The analysis focuses on the optimization of communication using a distributed learning strategy, where available multi-armed bandit algorithms are compared. Due to a lower complexity and simulation results, Thompson Sampling is a candidate for a distributed learning solution in LoRa networks. The thesis continues with an analysis of two different lightweight carrier sensing approaches, favoring a more battery-friendly approach utilizing a built-in hardware mechanism, called Channel Activity Detection. Popular network simulators are further examined ranging from purely mathematical solutions, through custom simulators, to modules for popular network simulators (NS-3). We have briefly examined each of them and selected the most appropriate one. All of this is to prepare LoRa networks for deployment in a dense urban environment.
In the later chapters, we have proposed our solution, which enhances the learning process of the End Nodes in terms of selecting a reliable primary (Carrier Frequency) and secondary (Spreading Factor) channel. The nodes have to select the proper parameters in a harsh and dense environment similar to network congestion. We have designed experiments with 10 physical End Nodes in a real-world environment to evaluate the performance of the proposed approaches, namely Adaptive Data Rate, Upper Confidence Bound with Channel Activity Detection, Thompson Sampling with Channel Activity Detection, and pure ALOHA channel access. Additionally, Thompson Sampling has been evaluated for both stationary and mobile nodes, proving to be the most power-efficient and reliable solution in dense urban environments for the long-term operation of the End Nodes.