Seleção de parâmetros de transmissão de redes LoRa através de técnicas de aprendizado de máquinas

• Ano de defesa: 2022
• Autor(a) principal: Carvalho Filho, Mário Nascimento
• Orientador(a): Campista, Miguel Elias Mitre
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio de Janeiro (UFRJ)
• Palavras-chave em Português: Eletrônica; Aprendizado de máquina; Parâmetros de transmissão
• Link de acesso: https://www.repositorio.mar.mil.br/handle/ripcmb/846561

O aumento da densidade das redes Long Range (LoRa) leva o mecanismo Adative Data Rate (ADR) do protocolo LoRaWAN a apresentar queda de desempenho em termos de taxa de entrega de pacotes e energia consumida, uma vez que as interferências internas devido às transmissões concorrentes aumentam. Tais interferências aumentam a dinamicidade do ambiente, exigindo um mecanismo proativo de ajuste de parâmetros de transmissão que garanta a capacidade dos enlaces. Além disso, o mecanismo ADR se mostra incapaz de ajustar os parâmetros quando o sinal de rádio é degradado, o que pode ocorrer, por exemplo, caso a rede seja submetida à interferência externa. Esta dissertação propõe a utilização de técnicas de aprendizado supervisionado e de aprendizado por reforço para ajustar os parâmetros de transmissão. As técnicas de aprendizado supervisionado Árvore de Decisão e Máquina de Vetor de Suporte são utilizadas para selecionar os parâmetros de transmissão e, ao mesmo tempo, reduzir o consumo de energia. A técnica de aprendizado por reforço Q-learning é utilizada para ajustar os parâmetros de transmissão, mapeando a probabilidade de ocorrência de colisão e otimizando a taxa de entrega de pacotes e a energia consumida. Dois estudos de caso são avaliados. O primeiro representa uma rede densa com o gateway localizado no centro da topologia, enquanto o segundo representa uma rede com dispositivos distantes entre 5 e 10 km do gateway submetida a uma fonte de interferência externa. No primeiro estudo de caso, os resultados mostram que, para uma quantidade de até 100 dispositivos, o desempenho da técnica Q-learning supera o mecanismo ADR. No segundo estudo de caso, o mecanismo ADR se mostra incapaz de manter a capacidade dos enlaces e o desempenho da técnica Q-learning indica que esta pode ser uma alternativa para ajustar os parâmetros.