Geri Dön

Smart spreading factor assignment for lorawans

Lorawan'lar için akıllı yayılma faktörü ataması

PDF İndir

  1. Tez No: 557097
  2. Yazar: TUĞRUL YATAĞAN
  3. Danışmanlar: PROF. DR. SEMA FATMA OKTUĞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 91

Özet

Düşük güç geniş alan ağ (DGAA) teknolojileri, geniş coğrafi alanlara yayılmış çok sayıda düşük güçlü cihaza ekonomik kablosuz haberleşme altyapısı sağlar. Hücresel ağlar, Bluetooth, WiFi gibi geleneksel kablosuz haberleşme teknolojileri düşük güç ve uzun haberleşme menzilini aynı anda sağlayamazlar. Hücresel ağlar uzun menzil ve yüksek veri hızı sağlayabilirler fakat karmaşık ve yüksek güç tüketimine sahiptirler. Bluetooth ve WiFi gibi kablosuz haberleşme teknolojileri ise düşük güç tüketimi sağlayabilirler fakat haberleşme menzilleri kısıtlıdır. DGAA teknolojileri veri hızı ve gecikme süresinden feragat edip düşük güç tüketimi ve uzun haberleşme menzili sağlamayı hedefler. Son yıllarda DGAA teknolojileri düşük güç gereksinimi isteyen nesnelerin interneti ve akıllı şehir uygulamaları için daha yoğun kullanılmaya başlanmıştır. Bu tezin odağı yaygın olarak kullanılan DGAA teknolojilerinden biri olan LoRa üzerinedir. LoRa, Semtech şirketi tarafından geliştirilen tescilli bir DGAA teknolojisidir. Kâr amacı gütmeyen bir kuruluş olan LoRa Alliance tarafından büyük ölçekli LoRa ağları oluşturmak ve bu ağlar arasında birlikte çalışabilirlik sağlamak amacıyla LoRaWAN adı verilen açık kaynak bir ortama erişim kontrol standardı geliştirilmiştir. LoRaWAN ağlarındaki düşük güçlü, adanmış bir göreve sahip cihazlara uç düğüm adı verilir. LoRaWAN ağlarında birden fazla kanalı sürekli dinleyip güç şebekesine ve sabit bir hatta sahip cihazlara ise ağ geçidi adı verilir. Ağ sunucusu ise ağ ile ilgili uygulamaların çalıştığı, ağın beyni konumundadır. Ağ sunucusu ağın performansını arttırmak için uç düğümlerin haberleşme parametrelerini değiştirebilir. LoRaWAN uç düğümleri sadece ağ geçitleri ile haberleşebilir, kendi aralarında haberleşme yapamazlar. Bir uç düğüm birden fazla ağ geçidi tarafından dinlenebilir. Güç tüketimini düşük tutmak için uç düğümler yalın ALOHA prensibi ile haberleşme yaparlar, yani uç düğümler yayın yapmaya başlamadan önce kablosuz ortamının müsait olup olmadığını kontrol etmezler. Bir uç düğüm ağ geçidi ile haberleşirken başka bir uç düğüm haberleşmeye başlayabilir ve sinyal çakışmaya uğradığı için haberleşme ağ geçidi tarafından çözümlenemeyebilir. LoRa, Chirp Spread Spectrum (CSS) tabanlı marka tescilli bir modülasyon tekniğidir. CSS tabanlı olması, uzun menzilli iletişim ve parazitlere karşı dayanıklılık sağlar. LoRa modülasyonu, sinyal frekansının belirli bir kanal içerisinde bandı baştan sona taramasıyla çalışır. Bu taramanın yönü haberleşme sembolünü belirler. Taramanın hızı ise yayılma faktörü (YF) olarak adlandırılır. LoRa 7'den 12'ye kadar 6 farklı yayılma faktörünü desteklemektedir. Bir LoRa haberleşmesinin yayılma faktörünü değiştirerek, veri hızından feda edip, haberleşme menzili arttırılabilir. Kısaca yayılma faktörü arttıkça veri iletim hızı azalır ve güç tüketimi artar fakat karşılığında haberleşme menzili uzar. Ayrıca farklı LoRa yayılma faktörüne sahip haberleşmeler birbirlerine karşı ortogonaldir. Yani aynı kanal içerisinde farklı yayılma faktörüne sahip LoRa iletişimleri, belirli bir seviyeye kadar birbirlerine parazit oluşturmadan haberleşebilir. Bu sebeple uç düğümlerin yayılma faktörü seçimi gerçekleşen çakışma sayısına ve ağ performansına önemli ölçüde etki eder. Uç düğümlerin kendileri için en iyi yayılma faktörünü seçmesi zordur çünkü uç düğümler etraflarındaki yayınlardan haberdar değildir. Uç düğümler güç tüketimini düşük tutmak ve haberleşme süresini kısa tutup çakışma olasılığını düşürmek amacıyla ağ geçidi ile haberleşebilecekleri en düşük yayılma faktörünü seçerler. Fakat etraflarındaki diğer uç düğümler de aynı yayılma faktörü ile yayın yaptıklarında çakışma ihtimali artar. Özellikle yoğun uç düğüm dağılımına sahip ağlarda aynı yayılma faktörlü haberleşmeler ağ performansını ciddi şekilde düşürebilir. Bazı durumlarda uç düğümler ağ geçidine yakın olsalar bile daha yüksek bir yayılma faktörü seçmeleri ağdaki başarılı paket iletim oranını arttırabilir. Bu çalışma içerisinde, LoRaWAN ağları için yayılma faktörü atamasını iyileştirmek amacıyla yapılmış diğer akademik çalışmalar araştırılmıştır ve güncel teknolojik durum incelenmiştir. Bu çalışmada yayılma faktörü seçiminin LoRaWAN ağ performansına etkisini gözlemlemek amacıyla Python programlama dili ile yeni bir ayrık olay simülasyon yazılımı geliştirilmiştir. Geliştirilen simülasyon aracı ile çoklu ağ geçitlerine ve uç düğümlere sahip LoRaWAN ağları simüle edilebilir. Simülasyon aracı; yayılma faktörü ataması yöntemi, ağ geçidi sayısı, uç düğüm sayısı, ağ topolojisi yarıçapı, paket büyüklüğü, paket üretilme sıklığı, paket üretilme tipi gibi girdiler alarak; üretilen paket sayısı, iletilen paket sayısı, çakışmaya uğramış paket sayısı, alıcı hassasiyetinin altında kalmış paket sayısı, ağ paket iletilme oranı, ağ veri hızı, toplam iletim enerji tüketimi gibi çıktılar üretebilir. Simülasyon aracında, Semtech Şirketi tarafından sağlanan, LoRa haberleşmesi bağlantı kalitesi modeli kullanılmıştır. Aynı ve farklı yayılma faktörlerine sahip LoRa haberleşmelerinin girişim modeli için ise, önceki akademik çalışmalarda kullanılan modeller kullanılmıştır. Paketlerin iletim sonuçları (başarılı, çakışmaya uğramış veya alıcı hassasiyeti altında kalmış) bu iki model kullanılarak hesaplanmıştır. Farklı kablosuz haberleşme teknolojilerinin yarattığı parazitler ihmal edilmiştir. Simülasyon aracı ile çeşitli ağ geçidi sayısı, uç düğüm sayısı, ağ topolojisi yarıçapı, paket büyüklüğü, paket üretilme sıklığı ile üretilmiş çıktılar paylaşılmış ve simülasyon aracının ürettiği çıktıların doğruluğu incelenmiştir. Bu çalışmada yayılma faktörü seçiminin ağ performansına etkisi detaylı olarak incelenmiştir. Çakışma sayısını arttıran durumlar incelenmiştir ve bu durumların değerlendirilmesi ile çakışma sayısını düşürebilecek yayılma faktörü arttırma yöntemi anlatılmıştır. Yayılma faktörünü arttırmak haberleşme süresini uzattığı için yüksek yayılma faktörüne sahip haberleşmeler ile olan çakışma ihtimalini arttırır. Özellikle birden fazla ağ geçidine sahip ağlarda, ağ geçitlerinin kapsama alanlarının kesiştiği bölgelerde kalan uç düğümlerin yayılma faktörlerinin arttırılması çok dikkatli yapılmalıdır. Her bir LoRaWAN ağı birbirinden farklı olduğu için uç düğümlerin yayılma faktörlerini yönetmek için tek bir yayılma faktörü atama kuralı türetmek zordur. Bu sebeple yayılma faktörü seçimi için makine öğrenmesi kullanan yeni bir yöntem önerilmiştir. Ağın yapısının ve güncel durumunun farkında olan makina öğrenme tabanlı bu yeni yaklaşım ile sabit bir kurala bağlı kalmadan uç düğümler için en uygun yayılma faktörü ataması yapılabilir. Akıllı yayılma faktörü ataması adını verdiğimiz bu yeni yöntem için Destek Vektör Makinesi (DVM) ve Karar Ağacı Öğrenmesi (KAÖ) makine öğrenmesi yöntemleri kullanılmıştır. Bu yöntemde ilk olarak ağ sunucusu ağdaki tüm düğümlerin konumlarını, haberleşmelerinde kullandıkları yayılma faktörlerini ve haberleşme sonuçlarını kayıt altına alır. Daha sonra ağ sunucusu biriktirilen bu veriler üzerinde DVM veya KAÖ yöntemleri ile bir haberleşme tahmin modeli eğitir. Eğitilen bu model ile uç düğümlerin sonraki haberleşmeleri için en uygun yayılma faktörü hesaplanır. Bu model ile her bir uç düğüm için en düşük yayılma faktöründen en yükseğe doğru sırayla haberleşme sonucu tahmin edilir. Haberleşme sonucu başarılı olarak tahmin edilen en düşük yayılma faktörü o uç düğüm için seçilir. Ağ sunucusu, ağ geçitleri vasıtasıyla uç düğümlere yeni yayılma faktörlerini iletir. Uç düğümler sonraki haberleşmelerinde akıllı yayılma faktörü ataması yöntemi ile bulunmuş yeni yayılma faktörlerini kullanır. Bu işlem günlük olarak tüm uç düğümler için tekrarlanır ve yeni yayılma faktörleri günde bir defa ilgili uç düğümlere iletilir. Akıllı yayılma faktörü ataması yöntemi, geliştirilen simülasyon aracına entegre edilmiştir. Geliştirilen araç öncelikle uç düğümlere rastgele olarak yayılma faktörü atar ve ağı simüle eder. Daha sonra biriktirilen haberleşme kayıtları kullanılarak akıllı yayılma faktörü ataması tahmin modeli oluşturulur ve hesaplanan yeni yayılma faktörleri ile aynı ağ yeniden simüle edilir. Simülasyon sonuçları göstermektedir ki, akıllı yayılma faktörü ataması yöntemi, rastgele yayılma faktörü ataması ve en düşük yayılma faktörü ataması yöntemlerine göre daha iyi ağ paket iletilme oranı ve toplam iletim enerji tüketimi çıktısı vermektedir. KAÖ makine öğrenmesi yöntemi, DVM makine öğrenmesi yöntemine göre daha iyi ağ performansı sağlamaktadır. Simülasyon sonuçlarına göre kullanılan bu iki akıllı yayılma faktörü ataması yöntemi özellikle yoğun uç düğüm dağılımına sahip LoRaWAN ağlarında, umut vadeden ağ performans iyileştirmesi sağlamaktadır.

Özet (Çeviri)

Low power wide area network (LPWAN) technologies offer affordable wireless connectivity to massive number of low-power devices distributed over large geographical areas. Traditional wireless communication methods such as cellular networks, Bluetooth, WiFi cannot provide low power and long range at the same time. Cellular networks can provide long range and high data rate, but they are complex and consume too much power. Bluetooth and WiFi can provide relatively low power consumption, but their range is limited. LPWAN technologies waive data rate and latency to provide low power and long range communication. Recently, LPWAN technologies have become popular for Internet of Things (IoT) and smart city applications especially when low power consumption is critical. Focus of this thesis is one of the most promising LPWAN technologies: LoRa. LoRa is a proprietary LPWAN technology developed by Semtech Corporation. A non-profit organization, LoRa Alliance, has developed an open standard medium access control (MAC) layer protocol called LoRaWAN to create large scale LoRa networks and interoperability between these networks. Low power embedded device in a LoRaWAN network is called end node. The device connected to the power grid that can receive from multiple channels at the same time is called gateway. Network server is a server that provides application layer processing. Network server can tweak end node communication parameters. LoRaWAN end nodes can only communicate with gateways, end nodes cannot communicate with each other. Transmission from a single end node can be received by multiple gateways. To keep the power consumption low, LoRaWAN is based on pure ALOHA medium access control, which means that end nodes do not check whether the channel is available or not before transmission. While an end node is transmitting, another end node can initiate a transmission and a collision may occur at the gateway. LoRa is a trademarked modulation technique based on Chirp Spread Spectrum (CSS). CSS provides long range communication and resilience to interference. In LoRa modulation, the signal frequency scans the band from end to end within a particular channel. The direction of this scan determines the transmission symbol. The speed of the scan is called the spreading factor (SF). LoRa supports 6 different spreading factor options between 7 to 12. By changing the spreading factor of a LoRa transmission, it is possible to increase the communication range by sacrificing the data rate. In short, as the spreading factor increases, the data rate decreases and the power consumption increases, however the communication range increases. In addition, transmissions with different LoRa spreading factors are orthogonal to each other. In other words, LoRa transmissions with different spreading factors within the same channel can communicate up to some extent without causing any interference to each other. Therefore, spreading factor selection of the end nodes significantly affects the number of collisions, thus the overall network performance. It is difficult for end nodes to select the best spreading factor for them, since end nodes are not aware of the transmissions around them. End nodes select the lowest spreading factor they can to communicate with the gateways to keep the power consumption low, to keep the communication duration short, and reduce the likelihood of collisions. However, when other end nodes around them begin to transmit with the same spreading factor, the probability of collisions increases. Same spreading factor transmissions can significantly reduce network performance in densely deployed networks. In some cases, assigning a higher spreading factor to the end nodes may increase the network packet delivery ratio, even if the end nodes are close to the gateway. In this work, other related academic studies on spread factor assignment issue for LoRaWANs are investigated and the current state of the art technologies are shown. In this study, a new discrete event simulation software is developed from scratch with Python programming language in order to study the effect of spreading factor assignment on LoRaWAN network performance. LoRaWAN networks with multiple gateways and multiple end nodes can be simulated with the developed simulation tool. The simulation tool can be fed with input parameters such as spreading factor assignment method, number of gateways, number of nodes, network radius, packet size, packet generation rate, packet generation type and with these inputs the tool produces simulation results such as total number of generated packets, number of successfully received packets, number of interfered packets, number of under receive sensitivity packets, network packet delivery ratio percentage, network throughput, total transmit energy consumption. In the simulation tool, LoRa link quality model provided by Semtech Corporation is employed. Also, interference model described in previous academic studies is employed for the interference between same and different spreading factor LoRa transmissions. Transmission results (successful, collision or under sensitivity) are calculated using these two models. Other wireless communication technology interferences are ignored. Simulation results for various number of gateways, number of nodes, network topology radius, packet size inputs are presented. Then, correctness of the simulation tool outputs is examined. In this study, the effect of spreading factor assignment on network performance is investigated in detail. The factors that increase the number of collisions is evaluated and spreading factor increase method that can be taken to reduce the number of collisions is described. Increasing spreading factor increases transmission duration thus increases the probability of collisions with other high spreading factor transmissions. Especially, in multiple gateways scenarios, this approach may increase the collisions with the nodes in other gateways' range. Thus, extra care should be taken for nodes in the intersection area of the gateways. It is difficult to propose a single spreading factor assignment rule for every possible LoRaWAN topology since every network is different. For this reason, machine learning based spreading factor assignment approach is proposed. This network aware approach does not require any fixed spreading factor assignment rule to select the most efficient spreading factor. Support Vector Machine (SVM) and Decision Tree Classifier (DTC) machine learning methods are used for this new method called smart spreading factor assignment. In this method, network server first monitors the location of each node, spreading factor of each transmission and result of each transmission. Then, network server trains a transmission result prediction model with accumulated data by using SVM or DTC machine learning methods. With this model, the most efficient spreading factor is calculated for subsequent transmissions of the nodes. For each end node, transmission result prediction is calculated one by one from lowest spreading factor to highest spreading factor. The spreading factor of the first transmission result projected as successful is selected for the end node. Network server notifies the new spreading factors to the end nodes via gateways. The end nodes will begin to use the new spreading factors for their subsequent transmissions. This process is repeated daily basis for every end nodes and new spreading factors are assigned to end nodes once in a day. The smart spreading factor assignment method is integrated into the developed simulation tool. First, the tool randomly assigns spreading factors to the end nodes and simulates the network. Then, the smart spreading factor assignment prediction model is generated using the accumulated transmission records and new spreading factors are calculated for each node. Finally, the tool simulates the same network again with the new spreading factors. The simulation results show that the smart spreading factor assignment method yields better network packet delivery ratio and total transmission energy consumption than random spreading factor assignment method and lowest spreading factor assignment method. DTC machine learning method gives better packet delivery ratio results than SVM machine learning method. These two smart spreading factor assignment methods provide promising network performance improvements, especially for dense LoRaWAN networks.

Benzer Tezler

  1. Tez No

    66469

    Mühendislik malzemelerinin sert lehimlenebilme karakteristikleri

    Başlık çevirisi yok

    MEHMET BÜLENT ÖZTURAN

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Kaynak Mühendisliği Ana Bilim Dalı

    PROF. DR. SELMA AKKURT

  2. Tez No

    145026

    The significance and the contribution of 6+1 traits of writing to the success of the students in writing courses in English language teaching

    Yazmanın 6+1 özelliğinin İngilizce öğretiminde yazılı anlatım derslerindeki öğrenci başarısına katkısı ve önemi

    ÖZLEM YAZAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2004

    Eğitim ve ÖğretimGazi Üniversitesi

    İngiliz Dili Eğitimi Ana Bilim Dalı

    YRD. DOÇ. DR. PAŞA TEVFİK CEPHE

  3. Tez No

    75351

    Türk ticari bankalarının örgüt yapıları ve Avrupa Birliğine geçiş süreci içerisindeki uyum çalışmaları

    Başlık çevirisi yok

    SERKANT GÖNCÜ

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSMAİL HAKKI BİÇER

  4. Tez No

    207572

    Küreselleşmenin sendikal özgürlüklere dünya ve Türkiye açısından yansımaları

    The reflecetion of globalism on trade union freedom in respect of world and Turkey

    RESUL ALTINIŞIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2007

    HukukGazi Üniversitesi

    Kamu Hukuku Ana Bilim Dalı

    DOÇ.DR. İLYAS DOĞAN

  5. Tez No

    517454

    Otobüs ve tramvay benzeri sistemlerin incelenip işletme maliyetlerinin karşılaştırılması

    The analysis and comparison of the operating cost of buses and trams

    ÇAĞRI COŞARAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Ulaşımİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT ERGÜN

Geri Dön