مقاله TDMA غیر متمرکز مبتنی بر یادگیری ماشین برای شبکه های VLC IoT

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، یک الگوریتم زمان غیرمتمرکز Division Division Division Division (TDMA) برای ارتباطات نور مرئی (VLC) اینترنت اشیاء (IOT) ارائه شده است.الگوریتم پیشنهادی مبتنی بر یادگیری Q ، یک الگوریتم یادگیری تقویت است.در این مقاله یک وضعیت غیرمتمرکز در نظر گرفته شده است که در آن هیچ گره هماهنگ کننده ای برای ارسال فریم های هماهنگ سازی و اختصاص اسلات زمان انتقال به گره های دیگر وجود ندارد.الگوریتم پیشنهادی برای هماهنگ سازی از یک روش غیر متمرکز استفاده می کند و هر گره از الگوریتم q یادگیری برای یافتن شکاف زمان انتقال بهینه برای ارسال داده ها بدون برخورد استفاده می کند.الگوریتم پیشنهادی بر روی یک سیستم سخت افزاری VLC ، که در آزمایشگاه ما طراحی و اجرا شده بود ، پیاده سازی شده است.پاداش متوسط ، زمان همگرایی ، Goodput ، میانگین تأخیر و اندازه بسته داده ها پارامترهای ارزیابی می شوند.نتایج نشان می دهد که الگوریتم پیشنهادی به سرعت همگرا می شود و TDMA غیر متمرکز بدون برخورد را برای شبکه فراهم می کند.الگوریتم پیشنهادی با الگوریتم جلوگیری از برخورد (CSMA/CA) به عنوان یک انتخاب بالقوه برای شبکه های IoT غیر متمرکز ، با دسترسی چندگانه حامل با الگوریتم جلوگیری از برخورد (CSMA/CA) مقایسه می شود.نتایج نشان می دهد که الگوریتم پیشنهادی حداکثر 61 ٪ بیشتر از Goodput و تا 49 ٪ تاخیر متوسط کمتر از CSMA/CA را فراهم می کند.