Economia de Energia através da Configuração Inteligente de Parâmetros de Camada Física em Redes LoRa
Resumo
A tecnologia LoRa (Long Range) é caracterizada por comunicações em longa distância e forte resiliência a interferências. No LoRa, a modulação é ajustada para permitir maiores taxas de transmissão de dados em função do limiar de sensibilidade de recepção e distância de comunicação. O fator de espalhamento e a potência de transmissão, por sua vez, estão diretamente relacionados com o consumo de energia, influenciando no desempenho da rede. Este artigo propõe o uso de técnicas de aprendizado supervisionado para seleção simultânea do fator de espalhamento e potência de transmissão. Essa abordagem se diferencia da literatura já que configura de forma supervisionada dois parâmetros ao invés de apenas um, o fator de espalhamento. Através de simulações de uma rede LoRa, diferentes técnicas de aprendizado são avaliadas. Simulações comparam o desempenho da proposta com o protocolo LoRaWAN tradicional e o estado da arte com seleção inteligente do fator de espalhamento. Os resultados mostram que a proposta é capaz de prever o sucesso da transmissão e ajustar os referidos parâmetros de modo a reduzir o consumo de energia, sem prejuízo da vazão e da taxa de entrega de pacotes.
Referências
Bor, M. C., Roedig, U., Voigt, T., and Alonso, J. M. (2016b). Do lora low-power widearea networks scale? In MSWiM ’16: Proceedings of the 19th ACM International Conference on Modeling, Analysis and Simulation of Wireless and Mobile Systems, New York, NY, United States. Association for Computing Machinery.
Cuomo, F., Campo, M., Caponi, A., Bianchi, G., Rossini, G., and Pisani, P. (2017). Explora: Extending the performance of lora by suitable spreading factor allocations. In IEEE 13th International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob), Rome, Italy. IEEE.
Georgiou, O. and Raza, U. (2017). Low power wide area network analysis: Can lora scale? IEEE Wireless Communications Letters, 6(2):162–165.
Park, G., Lee, W., and Joe, I. (2020). Network resource optimization with reinforcement learning for low power wide area networks. EURASIP Journal onWireless Communications and Networking, 2020(176).
Raza, U., Kulkarni, P., and Sooriyabandara, M. (2017). Low power wide area networks: an overview. IEEE Communications Surveys & Tutorials, 19(2):855–873.
Ross, S. (1996). Stochastic processes. Wiley, New York, NY.
Semtech Corp. (2015). Lora modulation basics an1200.22. Disponível em: https://www.frugalprototype.com/wp-content/uploads/2016/08/an1200.22.pdf. Acessado em janeiro de 2022.
Ta, D.-T., Khawam, K., Lahoud, S., Adjih, C., and Martin, S. (2019). Lora-mab: A flexible simulator for decentralized learning resource allocation in iot networks. In 12th IFIP Wireless and Mobile Networking Conference (WMNC), Paris, France. IEEE.
Tijms, H. C. (2003). A first course in stochastic models. Wiley, New York, NY.
Yatagan, T. and Oktug, S. (2019). Smart spreading factor assignment for lorawans. In IEEE Symposium on Computers and Communications (ISCC), Barcelona, Spain. IEEE.
