A Q-learning-based energy-aware forwarding strategy for NDN-based iot networks
NDN tabanlı ıot ağları için Q-learnıng tabanlı enerji duyarlı iletim stratejisi
- Tez No: 933454
- Danışmanlar: DOÇ. DR. ADIB HABBAL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Nesnelerin interneti, Adlandırılmış veri ağı, İletim stratejisi, Makine öğrenmesi, Q-öğrenme algoritması, Verimli enerji tüketimi, Internet of things, Named data networking, Forwarding strategy, Machine learning, Q-learning algorithm, Efficient energy consumption
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Adlandırılmış Veri Ağı (NDN), Nesnelerin İnterneti (IoT) ağlarının doğasında bulunan ölçeklenebilirlik, kaynak kısıtlamaları ve hareketlilik gibi birçok sorunu ele alan yeni bir İnternet paradigmasıdır. Name based forwarding, alıcı odaklı iletişim ve ağ içi önbelleğe alma gibi özellikleri onu IoT ortamları için son derece uygun hale getirmektedir. Ancak, NDN'nin IoT ağlarında kullanımı, aşırı Interest packet forwarding gibi zorluklar nedeniyle sınırlanmakta; bu da ağ yükü ve enerji verimsizliğine yol açmaktadır. Bu sorunları çözmek için bu tez, NDN tabanlı IoT ağları için Q-Öğrenme Tabanlı Enerji-Duyarlı Yönlendirme Stratejisi (QL-EAFS)'yi sunmaktadır. QL-EAFS, enerji verimliliği ile iletişim performansını dengelemek üzere Q-öğrenme algoritmasını kullanarak iletim kararlarını optimize eder. Strateji, IoT cihazlarının komşu düğümlerin coğrafi mesafesi ve kalan enerjisini dikkate alarak optimal yolları seçmesini sağlar. Böylece enerji tüketimi azaltılır, paket kaybı minimize edilir ve ağ ömrü uzatılır. Ek olarak, enerji tasarrufunu daha da artırmak için uyarlanabilir bir uyku modu entegre edilmiştir. Bu mod, veri alımına dahil olmayan düğümlerin aktivitesini dinamik olarak yöneterek IoT düğümlerinin alıcılarını kapatmalarına ve enerji tasarrufu yapmalarına olanak tanır. QL-EAFS, ndnSIM üzerinde uygulanmış ve mevcut en iyi iletim stratejileriyle karşılaştırılarak değerlendirilmiştir. Sonuçlar, enerji verimliliği, ağ ömrü, veri iletim performansı ve ölçeklenebilirlik açısından önemli iyileştirmeler göstermiş;QL-EAFS'yi NDN tabanlı IoT ağları için sağlam ve etkili bir çözüm haline getirmiştir. Bu çalışma, kaynak kısıtlı IoT ortamları için enerji verimli iletişim stratejilerinin geliştirilmesine katkı sağlamaktadır.
Özet (Çeviri)
Named Data Networking (NDN) is an emerging Internet paradigm that addresses many issues inherent in Internet of Things (IoT) networks, such as scalability, resource constraints, and mobility. Its features, including name based forwarding, receiver driven communication, and in-network caching, make it highly suitable for IoT environments. However, the deployment of NDN in Internet of Thing networks is hindered by challenges like excessive Interest packet forwarding, leading to occur broadcast storm problem, packet collision and energy inefficiency. To address these issues, this thesis introduces the Q-Learning-based Energy-Aware Forwarding Strategy (QL-EAFS) for NDN-based IoT networks. QL-EAFS leverages a Q-learning algorithm to optimize forwarding decisions, balancing energy efficiency and communication performance. The strategy enables IoT devices to select optimal paths by considering geographical distance and residual energy of neighboring nodes, thereby reducing energy consumption, minimizing packet loss, and extending network lifetime. Additionally, an adaptive sleep mode is integrated to further conserve energy by dynamically managing non-participating nodes' activity. IoT nodes will be able to save their energy by turning off their transceiver when they are not involved in ongoing data retrieval. QL-EAFS was implemented in ndnSIM and evaluated against state-of-the-art forwarding strategies. The results demonstrated significant improvements in energy efficiency, network lifetime, data delivery performance, and scalability, making QL-EAFS a robust and effective solution for NDN-based IoT networks. This work contributes to advancing energy-efficient communication for resource-constrained IoT environments.
Benzer Tezler
- İha rota planlama yaklaşimlarinin analizi:Q-learning ve klasi̇k algoritmalar
İha rota planlama yaklaşımlarının analizi:Q-learnıng ve klasik algoritmalar
SERAP KILINÇ
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriTürk Hava Kurumu Üniversitesiİnsansız ve Otonom Sistem Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MELTEM YILDIRIM İMAMOĞLU
- Optimization based modeling of the impacts of electric vehicles on carbon emission reduction
Elektrikli araçların karbon emısyonu azaltımına etkilerinin optimizasyon tabanlı modellenmesı
TUNA AYKUT
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik MühendisliğiEskişehir Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SITKI GÜNER
- Dynamic, adaptive, and optimal resource allocation and migration in cloud data centers
Bulut veri merkezlerinde dinamik, uyarlanabilir ve optimal kaynak tahsisi ve geçişi
ONAT DENİZ DOĞAN
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞENAN ECE SCHMİDT
PROF. DR. KLAUS VERNER SCHMİDT
- Resilient ultra dense networks under UAV coverage for disaster management
Afet yönetiminde İHA'lar ile dayanıklı ultra yoğun ağlar
ELİF BOZKAYA
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERK CANBERK
- AI-enhanced dynamic preemptive resource allocation in next generation cellular networks
Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi
EGE ENGİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN