Decentralized Spectrum Learning for IoT Wireless Networks Collision Mitigation
Apprentissage décentralisé du spectre pour l'atténuation des collisions dans les réseaux IoT sans fil
Abstract
This paper describes the principles and implementation results of reinforcement learning algorithms on IoT devices for radio collision mitigation in ISM unlicensed bands. Learning is here used to improve both the IoT network capability to support a larger number of objects as well as the autonomy of IoT devices. We first illustrate the efficiency of the proposed approach in a proof-of-concept based on USRP software radio platforms operating on real radio signals. It shows how collisions with other RF signals present in the ISM band are diminished for a given IoT device. Then we describe the first implementation of learning algorithms on LoRa devices operating in a real LoRaWAN network, that we named IoTligent. The proposed solution adds neither processing overhead so that it can be ran in the IoT devices, nor network overhead so that no change is required to LoRaWAN. Real life experiments have been done in a realistic LoRa network and they show that IoTligent device battery life can be extended by a factor 2 in the scenarios we faced during our experiment.
L'article décrit les principes et les résultats de la mise en œuvre d'algorithmes d'apprentissage par renforcement sur des appareils de l'Internet des Objets pour l'atténuation des collisions radio dans les bandes non licenciées ISM. L'apprentissage est ici utilisé pour améliorer à la fois la capacité du réseau IoT à supporter un plus grand nombre d'objets ainsi que l'autonomie des appareils IoT. Nous illustrons d'abord l'efficacité de l'approche proposée dans une preuve de concept basée sur des plates-formes radio logicielles USRP fonctionnant sur des signaux radio réels. Cette démonstration montre comment les collisions avec d'autres signaux RF présents dans la bande ISM sont réduites pour un dispositif IoT donné. Ensuite, nous décrivons la première implémentation d'algorithmes d'apprentissage sur des appareils LoRa fonctionnant dans un réseau LoRaWAN réel, que nous avons nommé IoTligent. La solution proposée n'ajoute aucune surcharge de traitement pour qu'elle puisse être exécutée dans les périphériques IoT, ni de surcharge sur le réseau de sorte qu'aucune modification n'est nécessaire pour LoRaWAN. Des expériences réelles ont été réalisées dans un réseau LoRa, et elles montrent que la durée de vie de la batterie d'un appareil IoTligent peut être augmentée d'un facteur 2 dans les scénarios auxquels nous avons été confrontés pendant notre expérience.
Origin | Files produced by the author(s) |
---|
Loading...