Using deep learning technology based energy-saving for software defined wireless sensor networks (SDWSN) framework
Yazılım tanımlı kablosuz sensör ağları (SDWSN) çerçevesi için derin öğrenme teknolojisi tabanlı enerji tasarrufunun kullanılması
- Tez No: 940510
- Danışmanlar: DR. ÖĞR. ÜYESİ OĞUZ KARAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 57
Özet
Kablosuz Sensör Ağları (WSN'ler), çeşitli ortamlardan hayati verileri toplayabilme yetenekleri nedeniyle uygulamaların toplanmasında ön plana çıkmıştır. Bu ağların görevlerine etkin bir şekilde uyum sağlayabilmelerini sağlamak için sıklıkla küçük, oldukça mobil sensörler kullanırlar. Bununla birlikte, bu sensörlerin küçük boyutu, işleme kapasitesi ve enerji kaynakları gibi mevcut kaynakları üzerinde sınırlamalar getirmektedir. Ayrıca internetin yaygınlığı nedeniyle WSN'ler IoT'ye dahil edilerek bu ağlar tarafından toplanan verilerin merkezi bir konuma gönderilmesi sağlandı. Değişken ağ topolojilerine uyum sağlamak için WSN düğümlerinin, kendi veri iletim gereksinimlerine ek olarak paketleri bir ana bilgisayardan diğerine iletmesi gerekir. Sonuç olarak, her düğümün kaynak gereksinimleri, kendi işlem gereksinimlerine ek olarak iletmesi gereken mesaj sayısından da etkilenir. Bu düğümlerdeki kaynak kullanımını optimize etmek için paketlerin hedeflerine giden yönlendirme yollarını optimize etmek gerekir. Modern ağ topolojilerinin gelişen karmaşıklığı nedeniyle, geleneksel statik yönlendirme ilkeleri geçerliliğini yitirmiştir. Bu zorluğa yanıt olarak, merkezi bir denetleyicinin paketler için yönlendirme kararları verdiği SDN'ler geliştirildi. Bu denetleyici, akıllı yönlendirme kararları vermek için ağ ve paket özelliklerine ilişkin verileri toplar. Bununla birlikte, kablosuz sensör ağı topolojilerinin karmaşıklığı ve uygun maliyetli yönlendirmenin önemi nedeniyle, SDWSN içerisinde daha iyi karar vermek için ML yöntemleri uygulanmaktadır. Bu çalışma, SDNWSN'de kaynak kullanımını optimize etmeye yönelik bir teknik sunmaktadır. Önerilen teknik, WSN'nin ömrünü uzatma hedefine ulaşmak için Derin Güçlendirme Öğrenme (DRL) aracılığıyla eğitilmiş bir sinir ağını (NN) uygular. Yürütmek için sinir ağının, en verimli rotaları seçerek ağın enerji kullanım düğümlerini optimize etmesi gerekir. Bu çalışma iki çeşit sinir ağını (2DCNN ve 3DCNN) değerlendirmektedir. Değerlendirme sonuçları, 3DCNN'nin en yüksek performansı sağladığını ve bunun ortalama ağ ömründe %18'lik kayda değer bir artış sağladığını gösteriyor. Ayrıca bulgular, yalnızca en kısa yollara güvenmenin belirli düğümlerde, özellikle de trafiğin yoğun olduğu bölgelerde bulunanlarda kaynak tükenmesine neden olabileceğini ve dolayısıyla WSN'nin genel ömrünü kısaltabileceğini gösteriyor. Bu nedenle, ağın yaşam döngüsünü uzatmak, kaynak tükenmesini önlemek ve ağın sürdürülebilir uzun ömürlülüğünü desteklemek için daha fazla zaman alıcı olsa da alternatif yolların kullanılmasını gerektirir.
Özet (Çeviri)
Wireless Sensor Networks (WSNs) have acquired prominence in the collection of applications because of their ability to collect vital data from various environments. To ensure that these networks can adapt to their duties effectively, they frequently employ small, highly mobile sensors. Nevertheless, the small size of these sensors places limitations on their available resources, such as processing capacity and energy sources. In addition, Because of the internet's pervasiveness, WSNs have been included into the IoT, enabling for data collected by these networks to be sent to a centralized location. In order to accommodate varying network topologies, WSN nodes must forward packets from one host to another in addition to their own data transmission requirements. Consequently, the resource requirements of each node are influenced by the number of messages it must relay in addition to its own processing requirements. To optimize resource utilization in these nodes, it is necessary to optimize the packets' routing paths to their destinations. Due to the evolving complexity of modern network topologies, traditional static routing principles have become obsolete. In response to this difficulty, SDNs have developed, in which a centralized controller makes routing decisions for packets. This controller collects data on network and packet characteristics to make intelligent routing decisions. Nonetheless, due to the complication of wireless sensor network topologies as well as the importance of cost- effective routing, the ML methods are being implemented to better decision within SDWSN. This effort presents a technique for optimizing resource utilization in SDNWSN. The suggested technique applies a neural network (NN) trained via Deep Reinforcement Learning (DRL) to achieve the objective of increasing the lifespan of the WSN. To execute, the neural network must optimize the energy utilization nodes of network by selecting the most efficient routes. This study evaluates two varieties of neural networks (2DCNN and 3DCNN). The results of the evaluation indicate that 3DCNN provides the greatest performance, resulting in a remarkable 18% increase in the average network lifespan. In addition, the findings demonstrate that relying solely on the shortest paths can result in resource depletion in certain nodes, especially those located in high-traffic areas, thereby reducing the WSN's overall lifespan. Therefore, extending the network's lifecycle necessitates the use of alternative, albeit more time-consuming, paths to prevent resource depletion and promote the network's sustained longevity.
Benzer Tezler
- Applications of multi-agent systems in transportation
Ulaşımda çoklu ajan sistemlerinin uygulamaları
İLHAN TUNÇ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TURAN SÖYLEMEZ
- Uzaktan algılama ve derin öğrenme yöntemleri ile İstanbul'un yerel iklim alanları ve yer yüzeyi sıcaklığı değişimleri arasındaki ilişkinin incelenmesi
Investigation of the relationship between local climate zones and land surface temperature changes in İstanbul using remote sensing and deep learning methods
MELİKE NİCANCI SİNANOĞLU
Yüksek Lisans
Türkçe
2024
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Machine learning assistedmulti-cell base station sleepmode management
Başlık çevirisi yok
MERT ÖZDEMİR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTH-Kungliga Tekniska Högskolan (Royal Institute of Technology)DR. MEYSAM MASOUDİ
DR. ÖZLEM TUGFE DEMİR
- Fusion of remote sensing and machine learning for high-resolution bathymetric modeling in shallow coastal zone
Kıyı bölgeleri sığ sularının yüksek çözünürlüklü batimetrik modellemesi için uzaktan algılama ve makine öğrenmesinin füzyonu
EMRE GÜLHER
Doktora
İngilizce
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Gemi siber güvenlik dinamiklerinin belirlenmesi ve köprüüstü seyir ekipmanlari özelinde siber güvenlik risk değerlendirme uygulamalari
Determination of ship cyber security dynamics and cyber security risk assessment applications specifically for bridge navigation equipment
BÜNYAMİN GÜNEŞ
Doktora
Türkçe
2025
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. PELİN BOLAT