Het draadloze Internet of Things (IoT) is een netwerk van apparaten waarin elk apparaat rechtstreeks informatie naar een ander kan sturen via draadloze communicatiekanalen, zonder menselijke tussenkomst. Met het aantal IoT-apparaten dat elke dag toeneemt, ook de hoeveelheid informatie op draadloze kanalen neemt toe. Dit veroorzaakt congestie op het netwerk, leiden tot verlies van informatie als gevolg van interferentie en het mislukken van de informatievoorziening. Onderzoek om dit congestieprobleem op te lossen is aan de gang, en de meest algemeen aanvaarde en toegepaste oplossing is "multi-channel"-technologie. Met deze technologie, informatietransmissie wordt verdeeld over verschillende parallelle kanalen op basis van het verkeer in een bepaald kanaal op een bepaald moment.

Maar, Momenteel, optimale informatietransmissiekanalen worden geselecteerd met behulp van algoritmen die niet kunnen worden ondersteund door de meeste bestaande IoT-apparaten omdat deze beperkt zijn in middelen; d.w.z., ze hebben een lage opslagcapaciteit en een lage verwerkingskracht, en moet energiebesparend zijn bij langdurig gebruik.

In een recente studie gepubliceerd in Toegepaste wetenschappen , een groep wetenschappers van de Tokyo University of Science en Keio University, Japan, het gebruik van een machine learning-algoritme voorstellen, gebaseerd op de touwtrekken model (wat een fundamenteel model is, eerder voorgesteld door professor Song-Ju Kim van de Keio University, dat wordt gebruikt om problemen op te lossen zoals hoe informatie over kanalen te verspreiden), om kanalen te selecteren. "We realiseerden ons dat dit algoritme kan worden toegepast op IoT-apparaten, en we besloten het te implementeren en ermee te experimenteren, "Professor Mikio Hasegawa, de hoofdwetenschapper van de Tokyo University of Science, zegt.

In hun studie hebben ze bouwden een systeem waarin verschillende IoT-apparaten waren verbonden om een ​​netwerk te vormen en elk apparaat kon slechts één van de verschillende beschikbare kanalen selecteren om elke keer informatie te verzenden. Bovendien, elk apparaat had beperkte middelen. In het experiment, de apparaten kregen de opdracht om wakker te worden, het verzenden van een stukje informatie, gaan slapen, en dan de cyclus een bepaald aantal keren herhalen. De rol van het voorgestelde algoritme was om de apparaten in staat te stellen elke keer het optimale kanaal te selecteren, zodat aan het einde het hoogst mogelijke aantal succesvolle uitzendingen (d.w.z. wanneer alle informatie in één stuk zijn bestemming bereikt) heeft plaatsgevonden.

Het algoritme wordt versterkingsleren genoemd en gaat als volgt te werk:elke keer dat een stukje informatie via een kanaal wordt verzonden, het wijst op de waarschijnlijkheid van succesvolle uitzendingen via dat kanaal, op basis van de vraag of de informatie de bestemming volledig en nauwkeurig bereikt. Het werkt deze gegevens bij elke volgende verzending bij.

De onderzoekers gebruikten deze opstelling ook om a) te controleren of het algoritme succesvol was, b) of het onbevooroordeeld was in zijn selectie van kanalen, en c) of het zich zou kunnen aanpassen aan verkeersvariaties in een kanaal. Voor de testen, er werd een extra controlesysteem geconstrueerd waarbij elk apparaat een bepaald kanaal kreeg toegewezen en het geen ander kanaal kon selecteren bij het verzenden van informatie. In het eerste geval, sommige kanalen waren overbelast voordat het experiment begon, en de wetenschappers ontdekten dat het aantal succesvolle uitzendingen groter was toen het algoritme werd gebruikt, in tegenstelling tot wanneer dat niet het geval was. In het tweede geval, sommige kanalen raakten overbelast toen het algoritme niet werd gebruikt, en informatie kon na verloop van tijd niet via hen worden verzonden, het veroorzaken van "oneerlijkheid" in kanaalselectie. Echter, toen de wetenschappers het algoritme gebruikten, de zenderkeuze bleek eerlijk te zijn. De bevindingen voor de derde casus verduidelijken die voor de vorige twee gevallen:wanneer het algoritme werd gebruikt, apparaten begonnen automatisch een overbelast kanaal te negeren en gebruikten het alleen opnieuw toen het verkeer erop afnam.

"We hebben kanaalselectie bereikt met een kleine hoeveelheid rekenkracht en een krachtig algoritme voor machine learning, " Prof Hasegawa vertelt ons. Hoewel dit betekent dat het algoritme het kanaalselectieprobleem onder experimentele omstandigheden met succes heeft opgelost, hoe het in de echte wereld gaat, valt nog te bezien. "Veldexperimenten om de robuustheid van dit algoritme te testen, zullen in verder onderzoek worden uitgevoerd, ", zeggen de wetenschappers. Ze zijn ook van plan om het algoritme in toekomstig onderzoek te verbeteren door rekening te houden met andere netwerkkenmerken, zoals kanaaltransmissiekwaliteit.

De wereld evolueert snel naar massale draadloze IoT-netwerken met een toenemend aantal apparaten die wereldwijd verbinding maken via draadloze kanalen. Elke mogelijke organisatie of geleerde maakt van dit moment in de geschiedenis gebruik om het kanaalselectieprobleem op te lossen en de concurrentie voor te blijven. Prof Hasegawa en zijn team hebben een van de eerste stappen in de race weten te zetten. De toekomst van hoge snelheid, foutloze draadloze informatieoverdracht kan nabij zijn!