Разработка моделей и методов маршрутизации в энергоэффективных ячеистых сетях дальнего радиуса действия

Во введении обоснована актуальность диссертационной работы,
проанализировано состояние исследуемой проблемы, сформулированы цели и задачи
работы, перечислены основные научные результаты диссертации, определена научная
новизна и практическая ценность результатов, рассмотрена область их применения,
представлены основные положения, выносимые на защиту, приведены сведения об
апробации работы, публикациях по теме работы.
В перовой главе проанализированы беспроводные технологии ПД для приложений
ИВ. В том числе рассмотрены перспективы развития энергоэффективных сетей дальнего
радиуса действия LPWAN, которые используются для обеспечения ПД от устройств ИВ
на большие расстояния и при малом энергопотреблении. В рамках данной главы был
проведен анализ развития БСС и рассмотрены ограничения энергоэффективных сетей
дальнего радиуса действия. Сделан вывод о необходимости реализации ячеистой
топологии для эффективной ПД в умных городах в условиях плотной городской
застройки. Сформулированы задачи по разработке моделей и методов маршрутизации в
энергоэффективных ячеистых сетях дальнего радиуса действия. Такая реализация
позволит увеличить покрытие зоны обслуживания узлов в сети и надежность обмена
данными для устройств ИВ.
Во второй главе диссертационной работы проведен анализ существующих
методов маршрутизации, проектирование и разработка которых всегда являются важной
задачей в беспроводных ячеистых сетях. Как правило, маршрутизация базируется на
определенных метриках, которые в целом связаны с производительностью сети,
например, минимальное количество переходов, наличие ошибок в канале ПД, сетевые
задержки в каналах связи и другие. Традиционно протоколы маршрутизации делятся на
три типа в зависимости от информации о топологии сети, используемой для построения
маршрутов: проактивный, реактивный и гибридный. По результатам анализа протоколов
AODV, DSR, DSDV было отмечено, что для выбора оптимального маршрута используется
метрика минимального количества ретрансляторов (промежуточных узлов). Таким
образом, необходимо учитывать другие параметры качества обслуживания, такие как
сетевая задержка и потери при передаче данных. Это особенно важно при рассмотрении
сетей LPWAN, которые могут быть развернуты для приложений ИВ, в том числе в умных
городах с плотной застройкой и сложной помеховой обстановкой. Учитывая эти
ограничения, для энергоэффективных сетей дальнего радиуса действия с топологией
«звезда» целесообразно рассмотреть возможность использования альтернативных
способов маршрутизации для эффективной переадресации пакетов.
Третья глава посвящена разработке моделей и методов маршрутизации в
энергоэффективных ячеистых сетях дальнего радиуса действия. В данной главе
последовательно решаются задачи: от разработки моделей фрагмента энергоэффективной
ячеистой сети дальнего радиуса действия до разработки методов маршрутизации в данной
сети.
Для разработки модели фрагмента сети LPWAN была выбрана технология LoRa,
которая является одной из базовых технологий ПД в группе сетей LPWAN. При
рассмотрении данной технологии выделены параметры, такие как коэффициент
расширения спектра SF (Spreading Factor), ширина полосы пропускания BW (Bandwidth)
и скорость кодирования CR (Coding Rate), которые являются основными факторами,
определяющими скорость ПД и чувствительность приемника. Соотношение между SF,
BW, CR изображено в формуле для определения скорости ПД (DR – Data Rate):
SF  {7,8, 9,10};
BW
DR  SFCR , где  BW  {125, 250, 500}, кГц;(1)
SF
2
 CR  {4 5, 4 6, 4 7, 4 8}.
На основе технологии ПД LoRa предлагается разработка энергоэффективной
ячеистой сети дальнего радиуса действия. В разделе 3.1 представлено описание
гибридных ячеистых сетей как элемента сетевой инфраструктуры для устройств ИВ в
умных городах. Архитектура предложенной сети изображена в иерархической структуре
от конечных узлов к облачному серверу. Каждый уровень представляет свои
функционалы и участие в сквозной системе ИВ, развернутой в умных городах. Исходя из
этого в разделе 3.2 предложена модель энергоэффективной ячеистой сети дальнего
радиуса действия на основе технологии ПД LoRa (рисунки 1–2).

Пользовательс
Пользовательскийкие терминалы
TCP/IPсервер
ИнтернетTCP/IP

СетевойПрикладной
серверсерверОператорские
Регистрация и аутентификацияОператорскийтерминалы
сервер
Конечные устройстваустройства ИВ
Сквозное шифрование

Рисунок 1 – Архитектура энергоэффективной ячеистой сети дальнего радиуса действия
В классическом виде сети LPWAN состоят из следующих элементов: конечные
узлы (КУ), концентраторы или маршрутизаторы, шлюз. В рамках поддержки ячеистой
топологии КУ могут взаимодействовать не только с концентратом/шлюзом, но и между
собой, также одна сеть LPWAN может включать в себя несколько концентраторов,
выполняющих задачи локальной маршрутизации данных. Для упрощения структуры
LPWAN и сокращения издержек на внедрение целого ряда предлагается реализовать
гетерогенные шлюзы ИВ, определенные в рекомендациях МСЭ-Т Q.4060 и Q.3055.

ИнтернетШлюз

Платформа
умного города
Операторская
сеть связи

ШлюзШлюз

К
К

Топология «звезда»Топология «ячеистая»
Рисунок 2 – Структура функционирования сети в рамках системы умных городов
На основе предложенной структуры разработана модель, используемая для
исследования свойств работы предложенной модели фрагмента сети согласно различным
параметрам. На рисунке 3 представлена многозвенная передача между конечными узлами
к гетерогенному шлюзу. Каждый узел рассматривается как система массового
обслуживания.ВэтомслучаеГШиспользуетсядляобслуживания
ячеистых/многозвенных сетей.

S
N конечных узловN конечных узлов
……Гетерогенный шлюз
…A
N конечных узловN конечных узлов
……
R
SИсточник запросаПункт расчета запроса
Буфер запросаA Точка принятия
Селектор маршрута R Точка отклонения

Рисунок 3 – Структура имитационной модели сети с ГШ
При разработке данной модели необходимо учитывать особенности
функционирования устройств LPWAN. В результате экспериментов с модельной сетью
(КУ CubeCell Dev-Board и шлюз Dragino LG02) на основе метода наименьших квадратов,
метода обобщенных приведенных градиентов, критерия согласия Колмогорова-Смирнова
были получены аналитические модели, описывающие интенсивность поступления и
обслуживания сообщений для данных устройств. Графики, отображающие соотношение
полученных аналитических моделей к исходным эмпирическим распределениям,
отображены на рисунках 4а и 4б.
0,600,40
Эмпирическое распределение

Вероятность попадания p(t)
Эмпирическое распределение
Вероятность попадания p(t)

Теоретическое распределение0,30Теоретическое распределение
0,40
0,20
0,20
0,10

0,000,00
0,00
1,00
2,00
3,00
4,00
5,00
6,00
7,00
8,00
9,00
10,00
11,00
12,00
13,00
14,00
15,00
16,00
17,00
18,00
19,00

4,53
4,59
4,65
4,71
4,77
4,83
4,89
4,95
5,01
5,07
5,13
5,19
5,25
5,31
5,37
5,43
5,49
Временные интервалы t, мсВременные интервалы t, мс

а)б)
Рисунок 4 – Соотношение эмпирического распределения к теоретическому для:
а) показателя задержек для сетевого интерфейса;
б) интенсивности обслуживания сообщений
Таким образом, интенсивность обслуживания сообщений КУ (3) и сервером (5), а
также показатели задержек на сетевом интерфейсе (2) и канале связи (4) можно описать с
помощью следующих уравнений плотности вероятности:
2a
3a
f a ( x)  p11e1 x
 p2xe2 x
 p3xe3 x ,(2)
(a2 )(a3 )
fc ( x)  Gc ( x, p1, a1, 1, c1 )  Gc ( x, p2 , a2 , 2 , c2 )    Gc ( x, p10 , a10 , 10 , c10 ) ,(3)

fcd ( x)  pxe x ,(4)
(a)
f s ( x )  p e  x ,(5)
a
Gc ( x, p, a,  , c )  p( x  c )e   ( x  c ) ,(6)
(a )
где – плотность вероятности интенсивности поступления сообщений, –
интенсивность обслуживания сообщений, , , , , – смещенное гамма-
распределение плотности вероятности, – вероятность попадания в заданное
распределение, , , – коэффициенты масштаба.
По результатам имитационного моделирования было получено время
обслуживания запросов от устройств ИВ, которое меньше в модели с использованием ГШ.
В разделе 3.3 предложен метод маршрутизации на основе оценки комплексного
показателя качества соединения.
По результатам анализа аппаратных и программных методов были выбраны три
метрики, такие как индикатор уровня принимаемого сигнала RSSI (Received Signal
Strength Indicator), отношение сигнала к шуму SNR (Signal-Noise Ratio), скорость приема
пакетов PRR (Packet Reception Rate), для модели оценки комплексного показателя
качества соединения. Предложенная модель оценки обучается c экспериментальным
набором данных на основе метода опорных векторов SVM (Support Vector Machine). С
размером окна 10 был подготовлен входной набор данных, который разделяется на
10% для обучения и 90% для тестирования при использовании языка программирования
Python и библиотеки scikit-learn. На рисунке 5 представлена модель со входным вектором
, , и гауссовским ядром , exp ‖ ‖ . После 50
прогонов модели с целью обучения была получена высокая точность прогноза со средним
значением точности 95%. Таким образом, используя три параметра, такие как RSSI, SNR,
PRR, можно точно оценить показатель качества соединения LoRa после 10 пробных
пакетов, даже если размер набора данных недостаточно велик для обучения, что обычно
характерно для задач машинного обучения.
Входной вектор
Гауссовское ядроВыход
x   x1 , x2 , x3 
Отлично
x1 avgRSSIK ( x1 , x)
Хорошо
x2 avgSNRK ( x2 , x)Оценка
Средний
x3PRRK ( x3 , x)
Плохо
Bias
Рисунок 5 – Модель оценки комплексного показателя качества соединения
на основе SVM
Для поиска маршрута ячеистая топология представлена в виде графа , с
множествами вершин V и ребер E. Множество вершин V = {vi}, i = 1…n представляет
набор узлов в сети, множество ребер E = {eij}, i, j = 1…n, – набор каналов связи между
узлами в сети. Каждый узел имеет максимальный радиус действия R, в пределах которого
узлы могут связываться с другими узлами. Если координаты узла описываются как (xi, yi,
zi), расстояние между двумя узлами i и j вычисляется по формуле:
dij  ( xi  x j )2  ( yi  y j )2  ( zi  z j )2 .(7)
Следовательно, связь между двумя узлами существует, если расстояние между
ними не больше R, т.е. ; ∃ и , где , 1 … .
Каждое ребро между вершинами взвешивается набором значений оценки
комплексного качества показателя соединения , где , 1 … , которые
вычисляются предложенным методом. Набор значений 2, 3, 4, 5 соответствует
оценкам комплексного показателя качества соединения «плохо», «средний», «хорошо» и
«отлично».
Маршрут рассчитывается таким образом, чтобы найти каналы связи с высоким
качеством соединения до пункта назначения. Для оценки качества соединения между
приемником и передатчиком используется предлагаемый метод оценки комплексного
показателя качества соединения (LQE – Link Quality Estimation). Используя оценки LQE,
показатель качества соединения между двумя узлами можно представить в виде
зависимой функции от LQE:
cij  f ( LQE) ,(11)
где , , получена с использованием модели оценки
комплексного показателя качества соединения на основе SVM.
Значение 2 означает, что имеется неустойчивое прямое соединение между
узлами i и j или прямого соединения между ними нет, т.е. узлы могут обмениваться
данными только через промежуточные узлы. МатрицаC{cij}, где , 1 … , содержит
значения оценки комплексного качества показателя соединения между узлами в сети (вес
ребер графа):
 c1,1 c1,2 c1, nc1, s 

 c2,1 c2,1 c2, nc2, s 
C.(12)
  

cn,1 cn,1 cn, ncn, s 
Предлагается, что в графе G имеется множество возможных маршрутов
  Pi ,s   P1 , P2 ,, Pk  между узлом i и узлом приемника s. Таким образом, суммарная
оценка соединения для маршрута от узла i к узлу приемника (шлюзу) определяется как:
j  Pi ,s 1
wi , s ci , j 1 .(13)
j 1
Наилучшим маршрутом от узла i к узлу приемника является решение задачи
максимизации:
Routei,s  argmax(wi, s ) .(14)
Pi ,s 
По результатам компьютерного моделирования, проведенного с помощью
разработанной имитационной модели на основе фреймворков inet версии 4.2 и OMNET++
версии 5.5.1, были получены оценки задержки и коэффициенты доставки пакетов с
различными параметрами настройки модуля LoRa. Согласно гистограммам
распределения задержек (рисунки 6 и 7), требуется большее время доставки данных с
большим коэффициентом расширения спектра, узкой шириной полосы пропускания и
большим количество узлов сети. Коэффициент расширения спектра SF представляется
количеством кодируемых чипов, поэтому высокое число SF требует больше времени для
передачи. Также при узкой BW задержка передачи будет больше при настройке широкой
BW. Это сопоставимо с характеристикой технологии ПД LoRa, согласно формуле (1).
Кроме того, количество узлов сети также влияет на процент доставленных пакетов
к целевому узлу. На рисунке 8 показано, что процент доставки пакетов с использованием
BW=125 кГц больше, чем с BW=250 кГц. Можно полагать, что с увеличением количества
узлов в сети коэффициент доставки пакетов уменьшается, при этом ширина полосы
пропускания (BW=125 кГц) определяет высокую чувствительность приемника.

а)б)
Рисунок 6 – Распределение задержки при различных SF: а) BW=125 кГц; б) BW=250 кГц

а)б)
Рисунок 7 – Средняя задержка от количества узлов: а) BW=125 кГц; б) BW=250 кГц

а)б)
Рисунок 8 – Коэффициент доставки пакетов: а) BW=125 кГц; б) BW=250 кГц
При одинаковых условиях моделирования было проведено сравнение
предлагаемого метода маршрутизации с более известным протоколом динамической
векторной дистанционной маршрутизации по требованию AODV. По полученным
результатам с использованием предлагаемого метода маршрутизации задержка доставки
намного меньше, чем при использовании протокола AODV (рисунок 9).
Кроме того, целесообразно оценить среднюю задержку и коэффициент доставки
пакетов с разным количеством узлов (рисунки 10–11). По данным графика видно, что
средняя задержка доставки с использованием предлагаемого метода оказывается меньше
по сравнению с протоколом AODV. Более того, предлагаемый метод также показывает
больший процент доставленных пакетов.

Рисунок 9 – Сравнение задержки с протоколом AODV:
а) BW = 125 кГц; б) BW = 250 кГц

Рисунок 10 – Сравнение средней задержкиРисунок 11 – Сравнение коэффициента
доставки с протоколом AODVдоставки пакетов с протоколом AODV
В разделе 3.4 предложен метод маршрутизации на основе машинного обучения с
подкреплением. Узел сети представляет собой обучаемого агента, который осуществляет
действия для дальнейшего выбора последующего узла-маршрутизатора. Как показано на
рисунке 12, процесс маршрутизации определяется на базе машинного обучения и
обновляется после каждой интеграции. По каждому из маршрутов агент получает
обратную связь (задержку доставки и процент потери пакетов). Эти данные используются
для награды действия агента при определенном его состоянии. Выбор маршрута в данном
случае понимается как выбор соседнего узла для переадресации пакетов. В этом случае
интеллектуальный агент, который может наблюдать за сетевой средой и предпринимать
действия для маршрутизации пакетов, обучается с помощью ряда факторов: состояние,
действие, вознаграждение.
По состоянию в момент времени t узел-отправитель, передающий пакет данных к
узлу назначения d, может быть представлен в качестве состояние . Один узел может
передавать данные ко многим узлам назначения, поэтому рассматриваем состояние
для выбора маршрута к узлу-получателю d.
В действии существует набор маршрутов , , , … , по которым можно
передавать данные к узлу-получателю. В качестве действия рассматриваем номера
маршрута , выбираемого для передачи к узлу назначения d.
В качестве вознаграждения в соответствии с каждым действием агент получает
награду. Определение информации о вознаграждении является целью обучения, т.е.
что и с какими показателями агент хочет получить. Для обеспечения минимальной
задержки доставки и потери пакетов к узлу-получателю будем рассматривать
информацию о задержке доставки и потери для вознаграждения действия
. После получения всей информации о состоянии, действии и вознаграждении алгоритм
обучения определяет значение функции , . Полученное значение показывает,
насколько хорошее или плохое состояние, и обновляется после каждой итерации. Таким
образом, значение функции , определяет значение, при котором текущее состояние
S узла-отправителя выбирает действия по маршруту p для ПД к узлу-получателю d.
Обновление функции , использует старое и текущее значения:
Q d ( s , p )  Q d ( s , p )    T  L   m in Q d ( s ‘, p ‘)  Q d ( s , p )  , (15)
p’
где – награда, полученная при переходе от выбора одного маршрута в другой,
0 1– скорость обучения.
В процессе действия ошибка вычисляется по каждому маршруту в каждый момент
времени t и используется для определения оптимального действия в следующем
состоянии 1 . Чем меньше задержка доставки и потери, тем лучше маршрут
(действие), поэтому используется минимальная функция в уравнении (15).
Алгоритм RF-маршрутизации:
Агент – Узел сети
Инициализация.
ПолитикаВход: ∀ ∈ , ∈ , , .
маршрутизации
Обновление
Выход: политика маршрутизации.
Алгоритм1. Найти все возможные маршруты к узлу
обучения
СостояниеДействие
назначения d: , , ,… .
Награда
s(t)
r(t)
a(t)
2. Повторить (для каждого эпизода).
Выбор маршрута
Среда
3. Инициализация состояния .
Получатель
Награда для маршрута-1
4. Повторить (для каждого маршрута).
Награда для маршрута-2
5. Использование политики из Q для выбора
Отправитель
Награда для маршрута-3
действия p.
Действия
Награда для маршрута-46. Выбор одного из действий P, наблюдать T , L .
Награда – задержка доставки, процент потери,…
7. Qd (s, p)  Qd (s, p)   T  L   min Qd (s ‘, p ‘)  Qd (s, p) 
Рисунок 12 – Схема машинногоp’
обучение с подкреплением8. До того, как последний.
9. Возвращается политика действия.
В результате экспериментов среднее время доставки сравнивалось для двух
моделей с обучаемой маршрутизацией и случайной маршрутизацией. Данные задержки
доставки пакетов в зависимости от увеличения интенсивности поступления заявок
представлены на рисунке 13. По графикам на рисунке 13 видно, что у обучаемой модели
среднее время доставки меньше, чем у модели со случайным выбором маршрута в точке
принятия решения. Это особенно актуально при большой нагрузке в высокоплотных
сетях, поскольку позволяет уменьшить задержку доставки пакетов при использовании
обучаемой маршрутизации.
Маршрутизация с обучением
Время доставки, мс
Случайная маршрутизация
0
0,10,20,30,40,50,60,70,80,91
Интенсивность нагрузки, Эрл

Рисунок 13 – Среднее время доставки пакетов
В четвертой главе представлен метод передачи мультимедийного трафика в
энергоэффективной ячеистой сети дальнего радиуса действия. В данной главе описан
фрагмент энергоэффективной ячеистой сети дальнего радиуса действия на основе
технологии ПД LoRa для передачи мультимедийного трафика. В частности, предложен
метод передачи изображений через данную сеть. В данном случае описаны формат пакета
изображения и процедура запроса передачи изображения. Рассмотрены такие параметры,
как размер изображения, количество пакетов, потери пакетов, оценка качества
полученных изображений, энергопотребление узла передатчика изображения. В
экспериментальным исследовании будет передаваться изображение с различным
разрешением и условным уровнем качества (QL – quality level) изображения JPEG
(задается в программном обеспечении отладочной платы с камерой).
Серия испытаний была проведена на базе научно-исследовательской и
испытательной лаборатории инновационных инфокоммуникаций ПАО «Ростелеком» с
целью практической оценки качества полученных изображений и энергопотребления
узла-передатчика изображения на базе фрагмента энергоэффективной ячеистой сети
дальнего радиуса действия. В качестве узла-передатчика изображения была использована
отладочная плата ESP32-CAM, в которой можно варьировать размер разрешения
(240х240, 320х240, 480х320) и уровень качества изображения JPEG (10, 30 и 60). Более
подробно описание экспериментальной установки представлено в тексте диссертации.
Результаты экспериментов показывают большую разницу по качеству изображения при
изменении условных уровней качества изображения 10 и 60. Соответственно, количество
пакетов при фрагментации изображения получено с разными параметрами камеры
(рисунок 14). Например, для передачи изображения с разрешением 240х240 и уровнем
качества изображения 30 требовалось более 30 пакетов. Более того, с заданными
параметрами, такими как размер разрешения 480х320 и уровень качества изображения 30,
качество полученных изображений приемлемо для распознавания с помощью пакетов
оптического распознавания символов. Таким образом, можно констатировать, что
передача изображений через фрагмент энергоэффективной ячеистой сети дальнего
радиуса действия на базе технологии ПД LoRa возможна, если не учитывать сетевую
задержку, которая возрастает при увеличении количества узлов-ретрансляторов.

а)б)
Рисунок 14 – Зависимость: а) размера изображения (байт); б)количества пакетов от
разрешения изображения при различных уровнях качества изображения
Такжеврезультате
испытанийбылополучено
среднее энергопотребление для
передачиодногопакета,
примерно одинаковое во всех
случаях(42–45мкАч).
Следовательно,среднее
энергопотребление для передачи
одногоизображения
варьируется в зависимости от
необходимогоколичества
пакетов для передачи этогоРисунок 15 – Энергопотребление при передаче
изображения (рисунок 15).изображения по различным типам
Таким образом, можно
сделать вывод о том, что при использовании батареи емкостью 1200 мАч (теоретическая
емкость = 1200 х 90% = 1080 мАч) можно передавать приблизительно 500 изображений с
разрешением 480х320 и уровнем качества изображения 30.
В приложениях к диссертационной работе приведены листинги программы и
документы, подтверждающие акт внедрения результатов.

ЗАКЛЮЧЕНИЕ
Основные результаты, полученные в диссертационной работе, заключается в
следующем:
1. Проведен анализ энергоэффективных сетей дальнего радиуса действия. На
основе анализа развития беспроводных сенсорных сетей и ограничения
энергоэффективных сетей дальнего радиуса действия был сделан вывод о необходимости
реализации ячеистой топологии для эффективной передачи данных в умных городах в
условиях плотной городской застройки. Такая реализация позволит увеличить радиус
зоны обслуживания узлов в сети и надежность обмена данными для устройств Интернета
вещей. Таким образом, были поставлены задачи, которые необходимо решить в рамках
диссертационной работы, среди которых основной является разработка моделей и
методов маршрутизации для энергоэффективных ячеистых сетей дальнего радиуса
действия, а также разработка метода передачи изображений на базе такой сети.
2. Проведен анализ беспроводных ячеистых сетей и протоколов маршрутизации для
них. На основе анализа методов маршрутизации в беспроводных ячеистых сетях, которые
являются основополагающими и сложными задачами для обеспечения гарантированной
передачи данных от узла-отправителя к узлу-получателю с минимальным временем
сходимости сети в случае разрыва того или иного маршрута. Метрика маршрутизации
является элементом для оптимизации построения маршрута в беспроводной ячеистой сети
при рассмотрении различных типов маршрутизации, а также при описании различных
способов выбора маршрута в зависимости от соответствующей метрики.
Проанализировав международные научные публикации, был сделан вывод о том,
что построение маршрутов может быть проактивным или реактивным, что соответствует
типам протокола маршрутизации. По результатам анализа показано, что проактивные
протоколы для построения таблицы маршрутизации должны собрать всю информацию о
состоянии маршрутов в сети для нахождения маршрутов между узлами, в то время как
реактивные протоколы маршрутизации для нахождения маршрутов осуществляют опрос
соседних узлов в случае необходимости. Для выбора оптимального маршрута
используется метрика минимального количества ретрансляторов (промежуточных узлов).
Кроме того, необходимо учитывать другие параметры качества обслуживания, такие как
сетевая задержка и потери при передаче данных. Это особенно важно при рассмотрении
энергоэффективных сетей дальнего радиуса действия, которые могут быть развернуты для
приложений Интернета вещей, в том числе в умных городах с плотной застройкой и
сложной помеховой обстановкой. Учитывая эти ограничения, для энергоэффективных
сетей дальнего радиуса действия с топологией «звезда» целесообразно рассмотреть
возможность использования альтернативных способов маршрутизации для организации
взаимодействия узлов с заданным качеством обслуживания.
3. Разработана модель фрагмента энергоэффективной ячеистой сети дальнего
радиуса действия с учетом особенностей инфраструктуры умных городов. В связи с
развитием приложений «умный дом», «умный город» предложенная модель
энергоэффективной ячеистой сети дальнего радиуса действия позволяет обеспечить
подключение датчиков и исполнительных устройств к сети связи общего пользования.
Была представлена концепция гибридной беспроводной ячеистой сети с учетом
рассмотрения технологии передачи данных с большой дальностью и малой мощностью
(LoRa – одна из перспективных технологий ПД для данных целей). Использование
ячеистой топологии для организации энергоэффективных сетей дальнего радиуса
действия позволяет обеспечить большой радиус покрытия и обмен данными с другими
технологиями передачи данных малого радиуса действия, такими как Wi-Fi или BLE. В
предложенной модели энергоэффективной ячеистой сети дальнего радиуса учитывается
структура сети с использованием гетерогенных шлюзов, которая позволяет обеспечить
взаимодействие с другими сетями связи в умных городах.
4. Разработаны методы маршрутизации в энергоэффективных ячеистых сетях
дальнего радиуса действия на основе оценки комплексного показателя качества
соединения и машинного обучения с подкреплением. Одной из важнейших задач
обеспечения эффективной передачи данных в ячеистой сети является выбор надежных
маршрутов для перенаправления пакетов. Разработанный метод оценки комплексного
показателя качества соединения с использованием набора данных, таких как индикатор
уровня принятого сигнала RSSI, отношение сигнала к шуму SNR принятых пакетов и
скорость приема пакетов PRR, позволяет предложить классификацию уровней показателя
качества соединения на основе технологий машинного обучения (метод опорных векторов
SVM). По результатам экспериментов предлагаемый метод показывает высокую точность
(среднее значение = 95%).
На основе оценки комплексного показателя качества соединения разработанный
метод маршрутизации позволяет организовать надежные энергоэффективные ячеистые
сети дальнего радиуса действия с использованием технологии передачи данных LoRa.
Результаты компьютерного моделирования показали влияние параметров узлов сети LoRa
на распределение задержек и коэффициент доставки пакетов. Данные результаты можно
использовать для развертывания различных приложений ИВ в зависимости от параметров
настройки узлов сети LoRa. По результатам сравнения с известным протоколом
маршрутизации AODV предлагаемый метод показал меньшую сетевую задержку и
больший процент доставки пакетов.
Кроме того, для устройств с возможностью питания от внешнего источника был
предложен метод маршрутизации на основе машинного обучения с подкреплением,
который показывает эффективность в уменьшении задержки доставки при увеличении
интенсивности нагрузки. По результатам моделирования показано, что предлагаемый
метод обеспечивает задержку меньше 25% по сравнению со случайной маршрутизацией.
5. Разработан метод передачи мультимедийного трафика в энергоэффективной
ячеистой сети дальнего радиуса действия. Беспроводные сенсорные сети и
энергоэффективные сети дальнего радиуса действия традиционно используются для сбора
данных с датчиков и отправки команд на исполнительные устройства. Передача
мультимедийного трафика для таких сетей является нетривиальной задачей, которая не
была ранее исследована. Предложенный метод передачи мультимедийных данных, в
частности изображений, через энергоэффективную ячеистую сеть дальнего радиуса
действия на основе технологии ПД LoRa может предоставлять дополнительные сервисы,
которые ранее были характерны исключительно для широкополосных технологий
передачи данных.
Результаты проведения серии испытаний по передаче изображений через фрагмент
энергоэффективной ячеистой сети дальнего радиуса действия LoRa Mesh показали
возможность передачи различных типов изображения. В результате экспериментов было
определено количество пакетов, которые необходимы для передачи каждого типа
изображения с соответствующим разрешением и условным уровнем качества
изображения JPEG.
При использовании отладочной платы ESP32-CAM с заданными параметрами,
такими как размер разрешения 480х320 и уровень качества изображения 30, качество
полученных изображений приемлемо для распознавания с помощью пакетов оптического
распознавания символов. Таким образом, можно констатировать, что передача
изображений на базе сети LoRa Mesh возможна, если не учитывать сетевую задержку,
которая возрастает при увеличении количества узлов-ретрансляторов.
В ходе экспериментов были получены средние значения энергопотребления узла-
отправителя изображений. При использовании батареи емкостью 1200 мАч
(теоретическая емкость = 1200 х 90% = 1080 мАч) можно передавать приблизительно 500
изображений с разрешением 480х320 и условным уровнем качества изображения 30.
Таким образом, возможно планировать время замены элементов питания на узлах с
камерой.