Loading...
Publication
Mobility planning in edge assisted low power wide area networks
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 2.03 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Edge computing infrastructures are being integrated with Internet of Things (IoT) systems to facilitate time-critical applications. These systems often require data to be processed within a specific time window, so the edge becomes vital in developing reactive IoT applications with time restriction requirements. Although different architectural designs will always have advantages and disadvantages, mobile gateways are particularly relevant in enabling this integration with the edge, particularly in the context of wide-area networks with occasional data generation. In these scenarios, mobility planning is necessary, as aspects of the technology need to be aligned with the temporal needs of an application. This dissertation intersects machine learning techniques and mathematical models to establish a framework that solves the problem of mobility planning for LoRaWAN gateways when cooperating with edge system architectures. Throughout the pipeline for attaining this objective, some sideline contributions are yielded, such as machine learning agents to improve the Adaptive Data Rate (ADR) mechanism, mathematical models to estimate the gateways’ journey time, and machine learning agents that meet the constraints on valid data collection and delivery to edge systems. The nature of the problem at hand makes
cutting-edge Deep Reinforcement Learning (DRL) techniques helpful in solving inherited issues, such as dealing with multiple dimensions in the action space while aiming for optimum system performance. This dissertation culminates in a novel scalable DRL model incorporating a pointer network (Ptr-Net) and an Actor-Critic (AC) algorithm to handle complex action spaces. The model synchronously determines the gateway location and visit time. Ultimately, the gateways can achieve a trajectory planning fulfilling all requirements while reducing latency and energy waste.
As infraestruturas de computação de borda começam a ser integradas nos sistemas de Internet das Coisas (IoT) para facilitar aplicações de baixa latência. Esses sistemas geralmente requerem que os dados sejam processados numa janela limitada de tempo, de modo que a computação de borda se torna vital no desenvolvimento e integração dessas aplicações de tempo real. Embora diferentes projetos arquitetónicos tenham diferentes vantagens e desvantagens, os gateways m´oveis são particularmente relevantes para permitir esta integração com a borda, particularmente no contexto de redes de longa distância com geração ocasional de dados. Nestes cenários, o planeamento da mobilidade é necessário pois garantirá que todos os requisitos estejam alinhados com as necessidades temporais da aplicação. Esta tese interliga técnicas de aprendizagem de máquina e modelos matemáticos para estabelecer uma framework que resolva o problema de planeamento de mobilidade para gateways LoRaWAN que cooperam com arquiteturas de sistemas de borda. Ao longo das etapas de trabalho para atingir esse objetivo, algumas contribuições adicionais são geradas, como agentes de aprendizagem de máquina para melhorar o mecanismo do Adaptive Data Rate (ADR), modelos matemáticos para estimar o tempo de viagem das gateways móveis e agentes de aprendizagem de máquina que atendem às restrições da validade dos dados que são coletados nos sensores e entregues aos sistemas de borda. A natureza do problema em questão faz com que técnicas de Deep Reinforcement Learning (DRL) sejam úteis na resolução dos problemas inerentes ao cenário dado, como por exemplo lidar com múltiplas dimensões no espaço de ação enquanto se tenta manter o desempenho ideal desse mesmo sistema. Esta tese culmina num novo modelo DRL escal´avel que incorpora uma Pointer Netowrk (Ptr-Net) e um algoritmo Actor-Critic (AC) para lidar com espaços de açãoo complexos. O modelo determina de forma síncrona, a localização da gateway e o tempo utilizado na visita aos nós e sistemas de borda. Em última análise, as gateways podem alcançar um planeamento de trajetória que satisfação os requisitos do problema, enquanto reduzem a latência e consumo de energia.
As infraestruturas de computação de borda começam a ser integradas nos sistemas de Internet das Coisas (IoT) para facilitar aplicações de baixa latência. Esses sistemas geralmente requerem que os dados sejam processados numa janela limitada de tempo, de modo que a computação de borda se torna vital no desenvolvimento e integração dessas aplicações de tempo real. Embora diferentes projetos arquitetónicos tenham diferentes vantagens e desvantagens, os gateways m´oveis são particularmente relevantes para permitir esta integração com a borda, particularmente no contexto de redes de longa distância com geração ocasional de dados. Nestes cenários, o planeamento da mobilidade é necessário pois garantirá que todos os requisitos estejam alinhados com as necessidades temporais da aplicação. Esta tese interliga técnicas de aprendizagem de máquina e modelos matemáticos para estabelecer uma framework que resolva o problema de planeamento de mobilidade para gateways LoRaWAN que cooperam com arquiteturas de sistemas de borda. Ao longo das etapas de trabalho para atingir esse objetivo, algumas contribuições adicionais são geradas, como agentes de aprendizagem de máquina para melhorar o mecanismo do Adaptive Data Rate (ADR), modelos matemáticos para estimar o tempo de viagem das gateways móveis e agentes de aprendizagem de máquina que atendem às restrições da validade dos dados que são coletados nos sensores e entregues aos sistemas de borda. A natureza do problema em questão faz com que técnicas de Deep Reinforcement Learning (DRL) sejam úteis na resolução dos problemas inerentes ao cenário dado, como por exemplo lidar com múltiplas dimensões no espaço de ação enquanto se tenta manter o desempenho ideal desse mesmo sistema. Esta tese culmina num novo modelo DRL escal´avel que incorpora uma Pointer Netowrk (Ptr-Net) e um algoritmo Actor-Critic (AC) para lidar com espaços de açãoo complexos. O modelo determina de forma síncrona, a localização da gateway e o tempo utilizado na visita aos nós e sistemas de borda. Em última análise, as gateways podem alcançar um planeamento de trajetória que satisfação os requisitos do problema, enquanto reduzem a latência e consumo de energia.
Description
Keywords
Action branching Internet das coisas Sistemas de borda Long-range