Szenzor kommunikációs folyamatok állapotadatainak neurális hálózat alapú elemzése

Neural Network Based Analysis of Status Information of Sensor Communication Processes

Abstract

The Internet of Things requires the communication mechanism to be optimal not only from the data transfer but from the energy consumption point of view, too. One of most analysed types of sensor network is Low Energy Adaptive Clustering Hierarchy (LEACH) system depending on the population density, algorithm of cluster head election, heterogeneity of the energy and physiscal position of the nodes, velocity of the sink node, data aggregation rate and size of data frame. Complexity of the system has been analysed based on status datasets of several hundred simulation cases. The serviceability of LEACH network and dependency properties has been compared with deep learning technics using recurrent neural networks (RNN). Efficient analysis of the Big Data category of status data time series has revealed important behaviour of these sensor networks. This study work is part of PhD research task and project.

Kivonat

A Tárgyak Internete számos esetben feltételezi, hogy a szenzorok kommunikációs mechanizmusa ne csak az adatátvitel hatékonysága, hanem a továbbításhoz szükséges energia mennyisége szempontjából is optimális legyen. A szenzorhálózatok egyik leginkább elemzett típusa a LEACH (Low Energy Adaptive Clustering Hierarchy) rendszer, amelynek viselkedése olyan paraméterektől függ, mint a populáció sűrűsége, klaszterfej választási algoritmus, csomópontok energiájának, illetve fizikai helyzetének heterogenitása, nyelő csomópont sebessége, adatok tömörítésének mértéke, illetve adatkeretek mérete. A rendszer komplexitását többszáz szimulációs eset által előállított állapotadat halmaz segítségével elemeztem. A LEACH hálózat működését, illetve ennek függőségi jellemzőit a generált idősorok összevetésével dolgoztam fel, amihez visszacsatolásos neurális hálózatra (RNN) épülő mélytanuló technikákat alkalmaztam. A Big Data kategóriájú állapotadat idősorokat tartalmazó halmaz hatékony feldolgozása ezen típusú szenzorhálózatok mély viselkedési jellemzőinek megismerésére adott lehetőséget. Az elemzési tevékenység PhD kutatási munka, illetve kutatási projekt részét képezi.