انتظار می‌رود که اینترنت اشیاء (IoT) نیازمند کارایی و بهره‌وری بالاتری برای ارتباطات بی‌سیم نسبت به تکنولوژی‌های قدیمی باشد. به همین دلیل، تکنیک‌هایی از قبیل به اشتراک‌گذاری طیف، دسترسی طیف پویا، استخراج هوشمندی سیگنال و مسیریابی بهینه‌سازی شده به‌زودی به‌عنوان مؤلفه‌های اصلی الگوی ارتباطات بی‌سیم اینترنت اشیاء معرفی می‌شوند. از این دیدگاه، تجهیزات باید علاوه بر یادگیری روند استخراج خودکار دانش طیفی از شبکه، باید قادر به استفاده از چنین دانشی برای تغییر خودکار پارامترهای بی‌سیم مناسب از قبیل باند فرکانس، مدولاسیون نماد، نرخ کدگذاری، انتخاب مسیر و موارد مشابه دیگر برای دستیابی به نقطه عملیاتی بهینه شبکه باشند. از این رو بخش بزرگی از شبکه‌های اینترنت اشیاء ترکیبی از تجهیزات سیار با انرژی محدود هستند. در این شبکه‌ها، تکنیک‌های سنتی مبتنی بر بهینه‌سازی شبکه ممکن است کارایی مناسبی نداشته باشند زیرا (1) یک مدل دقیق از محیط در سناریوهای عملی به‌راحتی در دسترس نیست (2) نیازمندی‌های محاسباتی تکنیک‌های بهینه‌سازی سنتی ممکن است غیرقابل استفاده برای شبکه‌های IOT باشند. برای حل تین چالش‌ها، تحقیقات بسیار زیادی به‌منظور استفاده از تکنیک‌های یادگیری ماشین ارائه شده‌اند که قادر به حل مشکلات موجود در حوزه ارتباطات بی‌سیم IOT هستند. دلیل محبوبیت تکنیک‌های یادگیری ماشین، ارائه یک چارچوب عمومی با استفاده از این روش‌ها برای حل مسائل بسیار پیچیده‌ای است که در آن یادگیری مدل پدید با استفاده از عبارات ریاضی بسیار دشوار و پیچیده است. در این مقاله، یک مرور جامع بر روی مقالات موجود در زمینه تکنیک‌های یادگیری ماشین برای حل مسائل کلیدی در ارتباطات بی‌سیم IOT ارائه می‌شود، تأکید اصلی در این ارزیابی بر روی جنبه‌های شبکه‌بندی موردی است. در این مقاله، ما ابتدا یک پس زمینه کلی از تکنیک‌های یادگیری ماشین ارائه می‌دهیم. پس از آن با در نظر گرفتن مسائل بیان شده در بالا، یک رویکرد یادگیری ماشین برای اینترنت اشیاء در لایه‌های شبکه، پیوند داده و فیزیکی برای پسته پروتکل ارائه می‌دهیم. پس از آن، ما مسیرهای تحقیقاتی در نظر گرفته شده برای پیاده سازی سخت‌افزار به‌منظور تضمین قابلیت استفاده از این تکنیک‌ها را مورد ارزیابی قرار می‌دهیم. علاوه بر این، قبل از ارائه نتیجه‌گیری، ما یک مرور مختصر از کاربردهای یادگیری ماشین در ارتباطات بی‌سیم IOT ارائه می‌دهیم. درنهایت، هر یک از این مباحث به همراه آنالیزهای دقیق مسائل باز مرتبط و چالش‌ها ارائه می‌شوند.

کلمات کلیدی: یادگیری ماشین، یادگیری عمیق، یادگیری تقویتی، اینترنت اشیا، شبکه ادهاک بی سیم، حس کردن طیفی، کنترل دسترسی رسانه، پروتکل مسیریابی.

Machine Learning for Wireless Communications in the Internet of Things: A Comprehensive Survey

Abstract

The Internet of Things (IoT) is expected to require more effective and efficient wireless communications than ever before. For this reason, techniques such as spectrum sharing, dynamic spectrum access, extraction of signal intelligence and optimized routing will soon become essential components of the IoT wireless communication paradigm. In this vision, IoT devices must be able to not only learn to autonomously extract spectrum knowledge on-the-fly from the network but also leverage such knowledge to dynamically change appropriate wireless parameters (e.g., frequency band, symbol modulation, coding rate, route selection, etc.) to reach the network’s optimal operating point. Given that the majority of the IoT will be composed of tiny, mobile, and energy-constrained devices, traditional techniques based on a priori network optimization may not be suitable, since (i) an accurate model of the environment may not be readily available in practical scenarios; (ii) the computational requirements of traditional optimization techniques may prove unbearable for IoT devices. To address the above challenges, much research has been devoted to exploring the use of machine learning to address problems in the IoT wireless communications domain. The reason behind machine learning’s popularity is that it provides a general framework to solve very complex problems where a model of the phenomenon being learned is too complex to derive or too dynamic to be summarized in mathematical terms. This work provides a comprehensive survey of the state of the art in the application of machine learning techniques to address key problems in IoT wireless communications with an emphasis on its ad hoc networking aspect. First, we present extensive background notions of machine learning techniques. Then, by adopting a bottom-up approach, we examine existing work on machine learning for the IoT at the physical, data-link and network layer of the protocol stack. Thereafter, we discuss directions taken by the community towards hardware implementation to ensure the feasibility of these techniques. Additionally, before concluding, we also provide a brief discussion of the application of machine learning in IoT beyond wireless communication. Finally, each of these discussions is accompanied by a detailed analysis of the related open problems and challenges.

Keywords: Machine learning, deep learning, reinforcement learning, internet of things, wireless ad hoc network, spectrum sensing, medium access control, and routing protocol.

• قبلی
• بعدی