An intelligent 3D placement methodology for drone networks
Dron ağlarında akıllı 3B yerleştirme metodolojisi
- Tez No: 689644
- Danışmanlar: DOÇ. DR. BERK CANBERK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 75
Özet
Son yıllarda, değişebilir ve mobil düğümleri içeren ortamlar üzerinden ağ iletişimi sağlamanın zorluklarını varsaymak zordur. Bu tür durumlarda, geleneksel hücresel ağların uygulamaları, bu öngörülmeyen ve mobil düğümleri içeren ortama ayak uyduramaz. Üstelik bağlantıya ihtiyaç duyan kullanıcı sayısındaki etkileyici büyüme nedeniyle, kullanıcıların trafik kullanımı da hızla artmaktadır. Ancak baz istasyonları bu tür zorlukların üstesinden gelmek için yeterli değillerdir. Hücresel ağlarda, sabit bir yapıya sahip baz istasyonlarının olmaması veya hücresel ağda ağ trafiği kullanımının yüksek olması, buna ayak uydurmak zorunda olduğumuz sorununu da beraberinde getiriyor. Kısa bir süre içinde ağ bağlantısı sağlamak, hücresel ağda baz istasyonlarını kullanırken bir yapılandırma ve altyapı gerektirebilir. Dronlar son zamanlarda yaygın bir teknoloji haline gelmektedir. Özelliklerine göre kullanılarak birçok uygulama alanında aktif olarak kullanılmaktadırlar. Hava fotoğrafçılığı, teslimat, alan yönetimi ve kablosuz iletişim gibi alanlarda kullanılabilmektedirler. Dron teknolojilerindeki bu hızlı yükselişi gördüğümüzde, onları her duruma ihtiyaç duyacak şekilde geliştirebileceğimizi söyleyebiliriz. Dolayısıyla birçok uygulama alanlarında kullanılan karakteristik özellikleri dronları en çok tercih edilen teknolojilerden biri haline getirmektedir. Bu teknolojilerden biri, dronları hava baz istasyonu olarak kullanmaktır. Dronlardan bir hava baz istasyonu olacak şekilde bahsediyorsak, bağlantı veya servis sağlamamıza yardımcı olacak özellikleri ayırmamız gerekir. Bunlar hareket kabiliyeti, tamamen otomatik olarak geliştirilebilmeleri ve işbirliği yapabilmeleridir. Hareket kabiliyetleri sayesinde, servis veya iletişim ihtiyacının olduğu alanlara konuşlandırmak için konumlarını ve hızlarını çabuk bir şekilde ayarlayabiliriz. Dronları tam otomatik olarak geliştirmemiz de amacımız doğrultusunda herhangi bir algoritmayı üzerinde uygulayabileceğimiz anlama gelir. Bu tezde, dronları hava baz istasyonu olarak kullanarak gürbüz bir bağlantı sağlamayı ve bunları kullanıcıların kapsanma sayılarına göre yerleştirmeyi amaçlıyoruz. Baz istasyonlarının verimli bir şekilde yerleştirilmesi, kablosuz ağlarda ağ performansı, ağ yapılandırmasını, topoloji yönetimini ve enerji yönetimini doğrudan etkilemektedir. Dronların hareket kabiliyetini kullanarak onları ağ ortamlarına yerleştirebiliriz. Bu nedenle, en verimli yerleşimleri bulduğumuzda, bu verimli konumlardaki kullanıcıları kapsamak için gerekli dron sayısından fazlasına ihtiyacımız olmayabilir. Bu yaklaşımda, dron sayısını optimize etmek ve aynı anda verimli konumlara yerleştirmek için bir meta-sezgisel algoritma önerdik. Bu algoritma Karınca Koloni Optimizasyonu Algoritmasıdır (ACO). Algoritma tanımlamasından önce kablosuz iletişimde hava araçları hakkında konuşurken havadan yere kanal modelimizi oluşturmamız ve açıklamamız gerekir. Çünkü bu tür ağların oluşturulması havadan yere yayılma koşullarına bağlıdır. Havadan yere kanal modeli daha farklı çevre faktörlerin ortaya çıkması ile diğer iletişim kanallarından farklılık gösterir. Havadan yere kanal modeli ortamı çevreleyen parametreler ile doğru orantılıdır. Daha benzer bir ortam oluşturmak için bizim de ortam parametrelerimizi tanımlamamız gerekir. Havadan yere kanal yolu kaybı görüş hattı (line of sight) ve görüş hattı olasılığı ile açıklanır. Görüş hattı bir tür yayılma türüdür. Ve koşulları iletişim halindeki eşlerin arasındaki kablosuz iletişimi doğrudan etkiler. Dronlar ve kullanıclar arasındaki yol kaybını belirlemek için görüş hattı olasığını kullanıyoruz. Ve görüş hattı olasılık denklemine göre yol kaybı (path loss) denklemini elde edebiliriz. Sonrasında testini gerçekleştireceğimiz yaklaşımımız simülasyon ortamı için yol kaybı ve görüş hattı denklemlerinde kullanılan parametreleri belirtmemiz gerekir. Bu denklemlerle birlikte, mobil kullanıcılar ile dron arasındaki rakım ve yatay mesafe bizim için daha kritiktir. Bu değerlerin değiştirilmesi doğrudan yol kaybı değerini etkiler. Diğer değerler daha çok ortama sabit değerlerdir. Sadece ortam değişikliğinden etkilenirler. Karınca Koloni Optimizasyonu algoritması karıncaların doğa içerisindeki davranışlarına dayanmaktadır. Karıncalar doğada evlerinden besin kaynaklarına gitmek için iyi yollar bulabilirler Ayrıca değişen ortama ayak uydurma özelliğine de sahiptirler. Karıncalar, yiyeceklerini bulmak için işbirliği yapmak üzere koloni oluştururlar. Her karınca yiyeceğini bulurken iyi yollar gördüklerinde diğer karıncaların etkilenmesine yardımcı olacak bir kimyasal olan feromon bırakırlar. Besin kaynakları ile evleri arasında bir engel varsa, karıncalar öncelikle rastgele yolları seçerler. Bir süre sonra en kısa yola diğer yollardan daha iyi feromon değeri atadıkları için en kısa yolu tercih ederler. Karıncılar yolu her kullandıklarında yolun kalitesine göre o yolun feromon değerini arttırırlar. Sonuç olarak, ilk başta rastgele hareket eden karıncalar, zaman içinde en yüksek olasılığa yani dolaylı olarak en yüksek feromon değerine sahip en kısa yolu tercih ederler. Karınca kolonisi optimizasyon algoritması zor problemleri çözmek için olasılıksal yaklaşım kullanır. Yani algoritmanın en kritik kısmı karıncalar için olasılık yaklaşımını tanımlamaktır. Karıncalar bir sonraki gideceği konum seçiminde olasıkla hareket ederler. Hangi konuma gideceğinin karar aşaması belirlenen hedef parametreliyle bağlıdır. Dolasıyla, kendi algoritmamızı orjinal karınca kolonisi optimizasyon algoritması gibi tanımlamak istersek, karıncaların gittiği yolları bizim 3B konumumuz olarak, olasığı arttırmak için belirlediğimiz maliyet değerini de yol kaybı (path loss) değerimiz olarak belirleyebilir. Ve tabiki dronlar bizim durumumuzda karınca olmaktadırlar. Dolasıyla tanımlamalara bakarak beklediğimiz sonucun optimum sayıda dron ile daha iyi hizmet sağlamak için karınca kolonisi optimizasyon algoritması ile dronlarımızı konuşlandırmaktayız. Optimizasyon problem tanımlamamıza başlamak için hedef fonksiyonumuz tanımlamamız gerekir. Bu tezde amacımız dron sayısını en aza indirmek ve onları en verimli şekilde yerleştirmektir. Dolayısıyla, dronlar ile kullanıcıların arasındaki kapsama yüzdesi ve yol kaybı değerleri bizim hedef fonksiyonu belirlememizdeki sınırlandırmalarımız olacaktır. Bu sınırlandırmalar ile dronların hedef kapsama yüzdesi ile kullanıcıların kapsanmasını ve dron ile kullanıcı arasındaki hizmet değerinin yol kaybı eşik değerine eşit veya küçük olmasını sağlar. Karınca kolonisi algoritması için iki önemli kural vardır. Bunlar, eylem seçim kuralı anlamına gelen olasılığa bağlı durum geçiş kuralı, diğeri ise feromon güncelleme kuralıdır. Değiştirilmiş algoritmamızda bu kuralları farklı bir şekilde kullanıyoruz. Birinci kural olan olasılıksal seçim kuralı, bir konumdan diğer konuma kadar aldıkları turun uzunluğuna bağlı olarak karıncaların bıraktığı feromon seviyesine ve konumların sahip olduğu sezgisel bir bilgiye sahiptir. Bu kural dronun x konumundan olasıkonumlar arasından bir sonraki konumu olasılıkla seçtiğini ifade eder. Orijinal algoritmada sezgisel bilgi değeri uzaklık ile doğru orantılıdır. Bizim yaklaşımımız için maliyet faktörü olarak belirlediğimiz yol kaybı değerleri kullanılmıştır. Sezgisel bilgi ve feromon değerlerinin etkisini kontrol eden parametreler bulunmaktadır. Bu parametreler hesaplama yapılırken değiştirilebilinir. İkinci kural feromon güncelleme kuralı bir durum veya konum geçişi sırasında kullanılan iterasyon sayısına göre değişen kümülatif bir değerdir. Seçilmesi istenmeyen yollar için feromon değerini azaltacak feromon buharlaştırma katsayısı bulunmaktadır. Algoritma içindeki her iterasyon sonrasında feromon güncellenir ve bu güncelleme işlemi, sonraki dronun olasılıksal seçeceği konum için direkt etki sağlar. Yaklaşımızı test etmek ve analizini gerçekleştirmek için Ağ Simulatoru sürüm 3'ü (NS-3) kullandık. Ağ simülatörü ağ araştırmalarının test edilmesi ve gerçekleştirilmesi için ağ altyapılarını sağlayan açık kaynaklı bir simülatör ortamıdır. Ağ türü veya altyapısı ne olursa olsun, yeni özellikler yaratmak için NS-3 modüllerini kullanabiliriz. Bildiğimiz gibi drone ağları hareket kabiliyeti olan ve kablosuz iletişim gerektiren ağ türüdür. NS-3 mobilite ve kablosuz iletişim model kütüphaneleri kullanarak simülasyonda hava baz istasyonlarını tanımlayabiliriz. Ayrıca bu kütüphane özelliklerini kullanarak hava baz istasyonlarımızı konumlandırabilir, hızlandırabilir ve irtifalarını ayarlayabiliriz. Yaklaşımımızı test etmek için iki senaryomuz var. İlk simülasyonda dronlarımızı kullanıcılara hizmet verecek şekilde kentsel alana konumlandırmayı amaçlıyoruz. İkinci simülasyonda LTE ağı içerisindeki UDP trafiğini test etmeyi amaçlıyoruz. İlk senaryomuzda, ilgili alana rastgele dağıtılmış 100 kullanıcıyı ele aldık. Alanın sınırları hem x hem de y koordinatları için -1000'den 1000'e kadardır. Algoritmayı belirli bir iterasyon sayısında çalıştırıyoruz. İrtifaya göre değişen maksimum kapsama bölgesi yarıçapını hesaplamak için QoS gereksinimimizi yol kaybı eşik değerini belirliyoruz. Bu değer simülasyonumuzda 100 dB'dir. Bu sabit değeri bir QoS gereksinimi olarak düşünülüp herhangi bir eşik değeri olarak da tanımlanabilir. Her yineleme esnasında olasılık seçim kuralı aracılığı ile dron tarafından seçilen konumların bir listesini alıyoruz. Ve bu listedeki her konumun maliyet değeri olarak yol kaybı değeri vardır. Bu yol kaybı değerlerini, olasılık seçim kuralımızı belirlemek için kullanmak üzere her konuma ekliyoruz. Bun sonraki amaç en iyisini bulmak için seçilmiş konumları her iterasyonda yol kaybı değerleriyle birlikte karşılaştırmaktır. Bu sayede optimum sayıda ve en az maliyetli konumlarımızı bulmuş oluyoruz. Algoritmanın başlangıcında 32 dron ile hizmet verilmektedir. Sonuçlara bakacak olursak iterasyonlar başladıktan sonra dron sayısında azalma görülmektedir. İkinci senaryo olarak LTE ağ modeli üzerinde hava baz istasyonlarını kullanan kullanıcılar arasındaki iletişim test edilmektedir. Bu simülasyonda UDP bağlantısını test ettik. Ve seçilen konumu içeren her bir iterasyonda trafik verimini kontrol ettik. Uçtan uca bağlantının başlangıcında, her bir iterasyona göre kullanıcı donanımı ve hava baz istasyonların konumlarını belirledik. Daha sonra LTE konfigürasyon parametrelerini belirledik. Amaç kullanıcılar ve hava baz istasyonları arasında bir UDP ağı oluşturmaktır. Ve kullanıcıların uzak anasisteme hava baz istasyonları üzerinden ulaşılmasını sağlamaktır. Simülasyon sonuçlarına bakılarak karınca kolonisi optimizasyon algoritmamız sonucundaki dron sayısındaki azalmanın akış verimini etkilemediğini görmekteyiz. Optimum sayıdaki hava baz istasyonu sayısı diğer iterasyonlardaki dron sayıları ile yaklaşık aynı verimi göstermektedir. Bu tezde, optimum sayıda dronun 3 boyutlu yerleşimini bulmak için sezgisel bir optimizasyon yaklaşımı olan değiştirilmiş karınca kolonisi optimizasyon algoritmasını önermekteyiz. Bunu başarmak için, simülasyon ortamımızdaki kullanıcıların hedef yüzdesine hizmet edecek bir hava baz istasyonu kolonisi yani dronları kullanıyoruz. Önerilen algoritma olasılığa dayalı olarak 3 boyutlu verimi seçmektedir. Ayrıca algoritma iterasyon sayısına göre daha az hava baz istasyonu yani dronları içeren optimum yerel konumları bulabilir. Bu her bir iterasyonun olasılıksal olarak bir sonraki iterasyonu etkilemesinden kaynaklıdır. Son olarak, simülasyon sonuçlarımıza göre, belirlenen konumlara sahip optimum dron sayısı ile istenen kalitede hedef kullanıcı sayısına hizmet ettiğini gördük.
Özet (Çeviri)
In the last decades, it is hard to assume the difficulties of providing network communication over environments that include changeable and mobile nodes. In that kind of situation, traditional cellular networks' applications do not keep up with this unpredictable and mobile environment. Moreover, because of the impressive growth in users that need connectivity, the traffic usage of users also increases fast. However, base stations are not enough to handle these kinds of challenges. In cellular networks, the lack of base stations with a stable structure or high usage of network traffic in the cellular network brings the problem that we have to keep up with it. Providing network connectivity in a brief period needs a configuration and infrastructure when using base stations in the cellular network. Drones have become a widespread technology lately. They have many application areas by using them according to their features. They can be used for aerial photography, delivery, area management, and wireless communication. When we see this rapid rise in drones' technologies, we can develop them to need any situation. Therefore, that makes drones the most preferred technology with their characteristic features for application areas. One of these techniques is used as an aerial base station. When we talk about using drones as an aerial base station, we need to separate features that help us provide connectivity. These are mobility, developed as fully automated, and collaborate. Due to their mobility feature, we can quickly arrange their position and velocity to deploy them to communication-needed areas. If we have developed drones as fully automated, we can implement any algorithm for our purposes. In this thesis, we provide robust connectivity using drones as aerial base stations and place them related to the number of users' coverage. Efficient placement of base stations directly affects network performance, network configuration, topology management, and energy management in wireless networks. Using drones' mobility features, we can place them into the network environment. Therefore, when we find the most efficient placements, we do not need more than the essential number of drones to cover users in those efficient placements. In this approach, we propose a meta-heuristic algorithm to optimize the number of drones and place them into efficient locations simultaneously. Firstly, we describe our air to ground channel model with the probability of line of sight and path loss value to determine our propagation conditions. Then we implement a modified version of the Ant Colony Optimization algorithm, which is the probabilistic technique to solve difficult problems. Due to our approach, first, we describe our problem formulation as minimizing the number of drones and place them with some constraints. These are the ratio between the number of covered users and total users and the path loss threshold. ACO is based on ants' behavior, and the purpose of the original algorithm is to find the shortest path from ants' nests to food sources. ACO has two important rules to reach their goal we have to consider. One of them heuristic information, and the other one is the pheromone value left by the ants. We arrange our heuristic information by using path loss value between drones and users. And we arrange our pheromone values by selected locations through the simulation of our algorithm. After constructing our environment, we have tested our approach on Network Simulator version 3. We test connectivity and UDP network traffic. We describe our environment parameters according to our propagation model in simulation for connectivity scenario. We place them in related areas that have boundaries. According to the beginning of the algorithm, we provide services with 32 drones. After the iterations start, we provide service to the same number of users with the optimum number of drones. After that simulation, we test UDP traffic on the same iterations to get throughput values of flows provided by different drones. According to the results, we can provide service with certain quality requirements with the optimum number of drones.
Benzer Tezler
- Yüksek binalarda asansörlerin tasarımı ve değerlendirilmesi için bir uzman sistem
An Expert system for the design and evaluation of the elevators in high buildings
NURAY ÇANKAYA
- Şebekeden bağımsız bir PV sisteminin simülasyon yazılımları ile boyutlandırılması ve maliyet analizi
Sizing and cost analysis of an off-grid PV system with simulation software
İBRAHİM GÜR
Yüksek Lisans
Türkçe
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. COŞKUN FIRAT
- İnsansı robot kol tasarımı ve gerçeklenmesi
Design and implementation of humanoid robot arm
İLKE ÖZTÜRK
Yüksek Lisans
Türkçe
2018
Mekatronik MühendisliğiDokuz Eylül ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANER AKKAN
- Dental implant (Ti6Al4V) ve abutment montajlarında farklı sistem alternatifi olarak mekanik sıkıştırıcıların araştırılması ve sonlu elemanlar analizi
Investigation and finite element analysis of mechanical compressors as different system alternatives in dental implant (Ti6Al4V) and abutment installations
MEHMET ONUR YAĞIR
Doktora
Türkçe
2024
Diş HekimliğiSakarya Üniversitesiİmalat Mühendisliği Ana Bilim Dalı
PROF. DR. ŞADUMAN ŞEN
- Geleneksel kilim motiflerinin algoritma destekli tasarımyaklaşımları ile yeniden yorumlanması
Re-interpretation of traditional rug motifs with algorithm-based design approaches
YUNUS AN
Yüksek Lisans
Türkçe
2019
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
DOÇ. DR. SEMA ALAÇAM
DR. ÖĞR. ÜYESİ ŞEHNAZ CENANİ DURMAZOĞLU