Machine learning-based decentralized TDMA for VLC IoT networks

要約

この論文では、可視光通信 (VLC) モノのインターネット (IoT) ネットワーク用の機械学習ベースの分散時分割多元接続 (TDMA) アルゴリズムを提案します。
提案されたアルゴリズムは、強化学習アルゴリズムである Q ラーニングに基づいています。
この論文では、同期フレームを送信し、他のノードに送信タイムスロットを割り当てるコーディネータノードが存在しない分散状態を考慮します。
提案されたアルゴリズムは、同期に分散方式を使用し、各ノードは Q 学習アルゴリズムを使用して、衝突せずにデータを送信するための最適な送信タイムスロットを見つけます。
提案されたアルゴリズムは、私たちの研究室で設計および実装された VLC ハードウェア システムに実装されています。
平均報酬、収束時間、グッドプット、平均遅延、データ パケット サイズが評価パラメータとなります。
結果は、提案されたアルゴリズムが迅速に収束し、ネットワークに衝突のない分散型 TDMA を提供することを示しています。
提案されたアルゴリズムは、分散型 VLC IoT ネットワークの潜在的な選択肢として、衝突回避を伴うキャリアセンス多元接続 (CSMA/CA) アルゴリズムと比較されます。
結果は、提案されたアルゴリズムが CSMA/CA よりも最大 61% 多くのグッドプットを提供し、最大 49% 少ない平均遅延を提供することを示しています。

要約(オリジナル)

In this paper, a machine learning-based decentralized time division multiple access (TDMA) algorithm for visible light communication (VLC) Internet of Things (IoT) networks is proposed. The proposed algorithm is based on Q-learning, a reinforcement learning algorithm. This paper considers a decentralized condition in which there is no coordinator node for sending synchronization frames and assigning transmission time slots to other nodes. The proposed algorithm uses a decentralized manner for synchronization, and each node uses the Q-learning algorithm to find the optimal transmission time slot for sending data without collisions. The proposed algorithm is implemented on a VLC hardware system, which had been designed and implemented in our laboratory. Average reward, convergence time, goodput, average delay, and data packet size are evaluated parameters. The results show that the proposed algorithm converges quickly and provides collision-free decentralized TDMA for the network. The proposed algorithm is compared with carrier-sense multiple access with collision avoidance (CSMA/CA) algorithm as a potential selection for decentralized VLC IoT networks. The results show that the proposed algorithm provides up to 61% more goodput and up to 49% less average delay than CSMA/CA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google