LSML-SF:一种轻量级堆叠的ML方法,用于移动物联网LoRaWAN网络中的扩散因子分配

科学领域:

• 无线通信网络是无线通信网络.
• 机器学习应用程序 机器学习应用程序
• 物联网 (IoT) 的物联网 (IoT) 的物联网.

背景情况:

• 消费者物联网 (IoT) 的扩张需要像远程广域网 (LoRaWAN) 这样的高效通信协议.
• 传统的自适应数据速率 (ADR) 机制与动态环境作斗争,影响了LoRaWAN的性能.
• 优化扩散因子 (SF) 的分配对于LoRaWAN的效率至关重要.

研究的目的:

• 开发一种新的轻量级堆叠机器学习 (LSML-SF) 方法,用于移动物联网LoRaWAN网络中的SF分配.
• 在动态环境中解决传统ADR机制的局限性.
• 提高数据包成功率,降低物联网设备的能源消耗.

主要方法:

• 一个堆叠组合模型 (LSML-SF) 结合了线性随机梯度下降,梯度增强,以及一个深度神经网络 (DNN) 与一个后勤回归元学习器.
• 在一个大数据集上训练LSML-SF模型,其中包括来自ns-3模拟的225,109个样本.
• 通过分析DNN参数和每次推断的MAC操作来评估计算可行性.

主要成果:

• 该LSML-SF模型实现了85%的外折交叉验证准确度.
• 该DNN组件证明了计算效率与12,602参数和12.3k每推理MAC操作.
• 在ns-3模拟中,LSML-SF显著超过了传统的ADR和现有的ML方法.

结论:

• 拟议的LSML-SF方法为移动物联网LoRaWAN中的SF分配提供了一个实用和高效的解决方案.
• LSML-SF改善了关键性能指标,包括包成功率和能源效率.
• 这一进步通过优化通信协议来延长消费者物联网设备的运行寿命.