Scalable Low-Power Wi-Fi for the Internet of Things

Datum: 26 april 2019

Locatie: Stadscampus, Kapel van de Grauwzusters - Lange Sint-Annastraat 7 - 2000 Antwerpen (route: UAntwerpen, Stadscampus)

Tijdstip: 16 uur

Organisatie / co-organisatie: Departement Wiskunde-Informatica

Promovendus: Le TIAN

Promotor: Jeroen Famaey & Steven Latré

Korte beschrijving: Doctoraatsverdediging Le TIAN - Faculteit Wetenschappen, Departement Wiskunde-Informatica



Abstract

Het internet der dingen (IoT) heeft een ware revolutie teweeggebracht in de wereld van informatie- en communicatietechnologie, door alles altijd en overal te connecteren met het internet. Om de IoT visie te realiseren, is het nodig om een groot aantal batterij-gevoede slimme toestellen te verbinden met het internet op een energie-efficiënte manier. De recente IEEE 802.11ah Wi-Fi standard wordt gezien als een veelbelovende technologie voor zulke toestellen. Eén van de nieuwe functies van IEEE 802.11ah, Restricted Access Window (RAW) genaamd, is specifiek ontwikkeld om het verbinden van een groot aantal batterij-gevoede toestellen efficiënter te maken. RAW splitst toestellen op in groepen, en laat elke groep slechts toe om een deel van de totale tijd data te versturen of ontvangen. Dit verlaagt de kans op botsingen tussen datapakketten en verbetert de schaalbaarheid. De IEEE 802.11ah standaard specifieert echter niet hoe de verschillende RAW-parameters moeten worden geconfigureerd. Het doel van dit proefschrift is om deze parameters dynamisch te optimaliseren in functie van de veranderende netwerkomstandigheden.

Dit proefschrift stelt vier belangrijke contributies voor. Ten eerste beschrijf ik mijn implementatie van IEEE 802.11ah in de ns-3 netwerksimulator, alsook experimentele resultaten ter validatie. Ten tweede stel ik het Traffic-Aware RAW Optimization Algorithm (TAROA) voor. TAROA steunt op een nieuwe techniek om te voorspellen wanneer toestellen data zullen versturen. Op basis van deze voorspelling en een RAW-prestatiemodel onder gesatureerde omstandigheden verdeelt TAROA de toestellen op in RAW-groepen, om zo de efficiëntie van het netwerk te maximaliseren. Ten derde verbeter ik TAROA door gebruik te maken van surrogaatmodellering, dat op basis van machinaal leren met een beperkt aantal gelabelde datapunten een accuraat wiskundig prestatiemodel kan bouwen van RAW. Het Model-Based RAW Optimization Algorithm (MoROA) combineert dit surrogaatmodel met de datavoorspellingstechniek van TAROA om in ware tijd RAW te optimaliseren op vlak van zowel netwerk- als energie-efficiënte. Ten vierde heb ik het surrogaatmodel uitgebreid om om te kunnen gaan met heterogene toestellen. Dit zorgt voor een explosie in het aantal mogelijke datapunten in de ontwerpruimte van het model, waardoor een meer efficiëntie trainingsmethodologie nodig was.

Samengevat, heb ik verschillende oplossingen ontwikkeld om RAW in ware tijd te optimaliseren ter ondersteuning van grootschalige IoT netwerken. Ik heb een open-source IEEE 802.11ah simulator ontwikkeld, en de resultaten werden gepubliceerd als een patent en verscheidene artikels gepubliceerd in internationale tijdschriften en proceedings van congressen.



Link: https://www.uantwerpen.be/wetenschappen