Machine learning based multi-scale joint forecasting-scheduling for the internet of things
Nesnelerin interneti için makine öğrenmesi tabanlı çok ölçekli bütünleşik tahminleme-çizelgeleme
- Tez No: 639249
- Danışmanlar: DOÇ. DR. VOLKAN RODOPLU, PROF. DR. CÜNEYT GÜZELİŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Yaşar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 121
Özet
Nesnelerin İnternetinin (IoT) Devasa Erişim Problemi, çok sayıda IoT cihazının kablosuz erişimini, kablolu altyapıya sağlama sorunudur. Bu tez çalışmasında, Orta Erişim Kontrol katmanındaki Devasa Erişim Problemini çözmek için atanmış bir IoT ağ geçidinde ortak tahmin-çizelgeleme için Çok Ölçekli Algoritma geliştirmekteyiz. IoT veri akışının rastgele olduğunu kabul eden Devasa Erişim Problemine yönelik mevcut yaklaşımların aksine, algoritmamız, Çok Katmanlı Algılayıcı mimarisini kullanarak IoT cihazlarının yaklaşan trafiğini tahmin eder ve bu tahminlere göre yer-uydu bağı (uplink) kablosuz kanalını önceden tahsis eder. Öngörülü kaynak tahsisi algoritmalarının Devasa Erişim Problemini çözmek için pratikte uygulanabileceğini göstermek amacıyla, önce bağımsız bir IoT cihazının trafik oluşturma modelinin öngörülebilirliğini saptadık. Bunun için, Makineden Makineye iletişimdeki bağımsız IoT cihazlarının trafik üretim modellerini tahmin etme problemi üzerine Özyineli Tümlevli Kayan Ortalama, Çok Katmanlı Algılayıcı, 1 Boyutlu Evrişimsel Sinir Ağı ve Uzun-Kısa Süreli Bellek modellerinin karşılaştırma çalışmasını sunmaktayız. Tahmin modellerinin performansını karşılaştırmak için simetrik Ortalama Mutlak Yüzde Hatasını ölçmekteyiz. IoT trafiğini dört sınıfa ayırmaktayız: Sabit Bit Periyodik (FBP), Değişken Bit Periyodik (VBP), Sabit Bit Aperiyodik (FBA) ve Değişken Bit Aperiyodik (VBA). Simülasyon sonuçlarımızda, Uzun-Kısa Süreli Bellek modelinin VBP sınıfındaki cihazlar için diğer tüm modellerden önemli ölçüde daha başarılı olduğunu göstermekteyiz. Ek olarak, Uzun-Kısa Süreli Bellek modelinin Çok Katmanlı Algılayıcı ve 1 Boyutlu Evrişimsel Sinir Ağı ile FBA sınıfı için simetrik Ortalama Mutlak Yüzde Hatasında neredeyse aynı performansa sahip olduğunu göstermekteyiz. IoT cihazı başına eğitim süresi, Uzun-Kısa Süreli Bellek için en yüksek olmakla birlikte, tüm öngörme modellerinin pratik uygulama için makul eğitim süreleri vardır. Tahminleme sonuçlarımız, IoT verilerinin oldukça öngörülebilir olduğunu gösterdiğinden, IoT'nin Devasa Erişim Problemini hafifletmek için Orta Erişim Kontrol katmanı için öngörülü bir kaynak ayırma algoritması olan Bütünleşik Tahminleme-Çizelgeleme sistemini önermekteyiz. Bütünleşik Tahminleme-Çizelgeleme sistemimiz, her bir IoT cihazının trafik üretim örüntüsünü tahmin eder ve bu cihazların iletimini önceden çizelgeler. Bütünleşik Tahminleme-Çizelgeleme sisteminin en yüksek ağ çıktısını elde ettiği yerel optimal tahminleme modelini seçmek için Özyineli Tümlevli Kayan Ortalama, Çok Katmanlı Algılayıcı ve Uzun-Kısa Süreli Bellek modellerini karşılaştırmaktayız. Bu tahminleme modelleri altındaki ağ veriminin karşılaştırılması, Bütünleşik Tahminleme-Çizelgeleme sistemi için tahminleme modelinin optimum seçiminin büyük ölçüde ağda bulunan farklı IoT cihazı sınıflarının oranlarına bağlı olduğunu ortaya koymaktadır. Ağ simülasyonlarımız, Bütünleşik Tahminleme-Çizelgeleme sisteminin tahminleme-çizelgeleme pencere boyutu 1800 saniye olarak ölçeklenirken, 1 saniyenin altındaki bir toplam yürütme süresi ile 1000 cihaza kadar destekleyebildiğini göstermektedir. Bütünleşik Tahminleme-Çizelgeleme sistemini, daha uzun tahminleme-çizelgeleme pencere boyutuna sahip çok daha fazla sayıda cihazı destekleyecek şekilde ölçeklendirmek için, IoT uygulamalarının gecikme kısıtları ve IoT cihazlarının asgari trafik oluşturma aralıkları olarak belirlenen birden çok zaman ölçeğinde çalışan Çok Ölçekli Algoritmayı önermekteyiz. Algoritmamızın çok ölçekli yapısı, simülasyonlarımızda 6650'ye kadar IoT cihazını desteklemek için ölçeklenebilir zaman ve alan karmaşıklığı sağlamaktadır. Çok Ölçekli Algoritmanın verimliliği ve enerji tüketimi Rezervasyon Tabanlı Erişim Engelleme, Ortalama Yüke dayalı Öncelik ve Gelişmiş Öngörülü Sürüm Veri Bloğu Odaklı protokollerle karşılaştırılmaktadır ve Çok Ölçekli Algoritmanın 3000 üzerindeki cihaz sayısı için bu algoritmalardan önemli ölçüde daha iyi çalıştığını göstermekteyiz. Ayrıca, Çok Ölçekli Algoritmanın yüzde kontrol ek yükünün % 1.5'in altında kaldığını göstermekteyiz. Bu tezde, sonuçlarımız IoT Ağ Geçitlerinde çok sayıda IoT cihazını işlemek için ölçeklenebilir bütünleşik tahminleme-çizelgeleme sistemleri oluşturmanın yolunu açmaktadır.
Özet (Çeviri)
The Massive Access Problem of the Internet of Things (IoT) is the problem of enabling the wireless access of a massive number of IoT devices to the wired infrastructure. In this thesis, we develop a Multi-Scale Algorithm (MSA) for joint forecasting-scheduling at a dedicated IoT Gateway to solve the Massive Access Problem at the Medium Access Control layer. In contrast with the current approaches to the Massive Access Problem that assume random arrivals for IoT traffic generation, our algorithm forecasts the upcoming traffic of IoT devices using a Multi-Layer Perceptron (MLP) architecture and preallocates the uplink wireless channel based on these forecasts. In order to show that predictive resource allocation algorithms can be implemented in practice to solve the Massive Access Problem, first, we establish that the traffic generation pattern of individual IoT device can be predicted accurately with respect to the symmetric Mean Absolute Percentage Error (sMAPE) metric. To this end, we present a comparative study of the performance of Autoregressive Integrated Moving Average (ARIMA), Multi-Layer Perceptron (MLP), 1-Dimensional Convolutional Neural Network (1D CNN), and Long-Short Term Memory (LSTM) models on the problem of forecasting the traffic generation patterns of individual IoT devices in Machine-to-Machine communication. We classify IoT traffic into four classes: Fixed-Bit Periodic (FBP), Variable-Bit Periodic (VBP), Fixed-Bit Aperiodic (FBA), and Variable-Bit Aperiodic (VBA). In our simulation studies, we show that LSTM outperforms all of the other forecasting models significantly for IoT devices in the VBP class. In addition, we show that LSTM has almost the same performance in sMAPE for the FBA class as MLP and 1D CNN. While the training time per IoT device is the highest for LSTM, all of the forecasting models have reasonable training times for practical implementation. Based on these results that demonstrate the predictability of IoT traffic generation patterns, in order to alleviate the Massive Access Problem of the IoT, we propose a Joint Forecasting-Scheduling (JFS) system to be implemented at an IoT gateway. Our JFS system forecasts the traffic generation pattern of each IoT device in its coverage area and schedules the uplink transmissions of these devices in advance in a collision-free manner. Compared with reactive solutions to the Massive Access Problem, JFS has a significant advantage in that it obviates contention, collision and handshaking. Next, we compare the performance of ARIMA, MLP and LSTM forecasting models in order to select a local-optimal forecasting model that achieves the highest network throughput for the JFS system. This comparison reveals that the optimal choice of the forecasting model for JFS depends heavily on the proportions of distinct IoT device classes that are present in the network. Our network simulations show that the JFS scales up to 1000 devices with a forecasting-scheduling window size as long as 1800 seconds, while achieving a total execution time under 1 second. In order to scale the JFS system to support more than 1000 devices and achieve scheduling over a longer forecasting-scheduling window size, we design MSA, which operates at multiple time scales that are determined by the delay constraints of IoT applications as well as the minimum traffic generation periods of IoT devices. The multi-scale nature of our algorithm ensures scalable time and space complexity to support up to 6650 IoT devices in our simulations. We compare the throughput and energy consumption of MSA with those of Reservation-based Access Barring, Priority based on Average Load, and Enhanced Predictive Version Burst Oriented protocols, and show that MSA significantly outperforms these beyond 3000 devices. Furthermore, we show that the percentage control overhead of MSA remains less than 1.5 %. The results of this thesis pave the way to building scalable joint forecasting-scheduling systems to handle a massive number of IoT devices at IoT Gateways.
Benzer Tezler
- Gemi yapılarında gerilme yığılması öngörülerinin kaba ağ yapısı ve makine öğrenmesi ile gerçekleştirilmesi
The forecasting of stress concentration in ship buildings by using rough mesh structure and machine learning method
BURÇİN ATEŞ
Yüksek Lisans
Türkçe
2020
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR AYTEKİN KÖROĞLU
- Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty
Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi
GÖNÜL ULUDAĞ
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE ŞİMA UYAR
- Zihinsel ağırlıklı işler için bilişsel görev analizi yöntemi
Başlık çevirisi yok
NİLGÜN YAPICIOĞLU FIĞLALI
Doktora
Türkçe
1998
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET F. ÖZOK
- Hiperspektral görüntülerin sınıflandırılmasında uzamsal-spektral yaklaşımlar
Spatial-spectral approaches in classification of hyperspectral images
HASAN ALİ AKYÜREK
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BARIŞ KOÇER
- Derin öğrenme tabanlı yöntemlerle düşük ışıklı görüntü iyileştirme
Low light image enhancement with deep learning based methods
EMİN CİHANGİR US
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU