Upper-Confidence Bound for Channel Selection in LPWA Networks with Retransmissions
Stratégies de Bornes Supérieures de Confiances pour la Sélection de Canaux dans des Réseaux LPWA avec Retransmissions
Résumé
In this paper, we propose and evaluate different learning strategies based on Multi-Arm Bandit (MAB) algorithms. They allow Internet of Things (IoT) devices to improve their access to the network and their autonomy, while taking into account the impact of encountered radio collisions. For that end, several heuristics employing Upper-Confident Bound (UCB) algorithms are examined, to explore the contextual information provided by the number of retransmissions. Our results show that approaches based on UCB obtain a significant improvement in terms of successful transmission probabilities. Furthermore, it also reveals that a pure UCB channel access is as efficient as more sophisticated learning strategies.
Dans cet article, nous proposons et évaluons différentes stratégies d'apprentissage basées sur les algorithmes MAB (bandit multi-bras). Ils permettent aux appareils des futurs réseaux de l'Internet des Objets (IoT) d'améliorer leur accès au réseau et leur autonomie, tout en tenant compte de l'impact des collisions radio rencontrées. Pour ce faire, plusieurs heuristiques utilisant des algorithmes des Bornes Supérieures de Confiance (UCB) sont examinées, afin d'explorer les informations contextuelles fournies par le nombre de retransmissions. Nos résultats montrent que les approches basées sur UCB obtiennent une amélioration significative en termes de probabilités de transmission réussie. En outre, elle révèle également qu'un accès aux canaux basé sur la stratégie UCB la plus simple est aussi efficace que des stratégies d'apprentissage plus sophistiquées.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...