دانلود ترجمه مقاله بهبود عملکرد مسیریابی شبکه حسگر بی سیم مبتنی بر نرم افزار

1. مقدمه 2. پژوهش های مرتبط 3. یادگیری Q 4. مدل مصرف انرژی 5. روش پیشنهادی 6. نتایج تجربی و بحث و بررسی 7. نتیجه‌گیری

چکیده – شبکه‌سازی مبتنی بر نرم‌افزار (SDN) یک معماری نوظهور است که به دلیل معماری انعطاف‌پذیر خود در بسیاری از کاربردها استفاده می‌شود. انتظار می‌رود که به یک عامل اصلی برای اینترنت اشیاء (IoT) تبدیل شود. این معماری صفحه کنترل را از صفحه داده جدا می‌کند و کنترلر کل شبکه زیربنایی را مدیریت می‌کند. SDN در شبکه‌های حسگر بی‌سیم (WSN) برای مسیریابی استفاده شده است. کنترلر SDN از برخی الگوریتم‌ها برای محاسبه مسیر مسیریابی استفاده می‌کند. با این حال، هیچ یک از این الگوریتم‌ها توانایی کافی برای به دست آوردن مسیر مسیریابی بهینه را ندارند. بنابراین، یادگیری تقویتی (RL) یک تکنیک مفید برای انتخاب بهترین مسیر مسیریابی است. در این مقاله، ما مسیر مسیریابی SDWSN را از طریق یادگیری تقویتی بهینه می کنیم. یک تابع پاداش پیشنهاد شده است که شامل تمام معیارهای مورد نیاز در مورد راندمان انرژی و کیفیت خدمات شبکه (QoS) است. عامل، پاداش را دریافت می کند و بر اساس پاداش دریافتی اقدام بعدی را انجام می دهد، در حالی که کنترلر SDWSN مسیر مسیریابی را بر اساس تجربه قبلی بهبود می بخشد. با این حال، کل شبکه نیز از راه دور از طریق وب کنترل می شود. عملکرد SDWSN مبتنی بر یادگیری تقویتی با تکنیک های مبتنی بر SDN از جمله SDN سنتی و شبکه های مبتنی بر نرم افزار با آگاهی از انرژی (EASDN)، QR-SDN، TIDE و تکنیک های غیر مبتنی بر SDN مانند Q-learning و مسیریابی مبتنی بر یادگیری تقویتی (RLBR) مقایسه شده است. SDWSN مبتنی بر یادگیری تقویتی پیشنهادی از نظر طول عمر از 8% تا 33% و نسبت تحویل بسته (PDR) از 2% تا 24% بهتر عمل می کند. پیش‌بینی می‌شود که این کار به مهندسان برای دستیابی به عملکرد مطلوب WSN از طریق مسیریابی کارآمد کمک کند. مقدمه: در شبکه‌های حسگر بی‌سیم (WSNs)، گره‌های حسگر کوچکی وجود دارند که ممکن است ثابت یا متحرک باشند و در یک محیط پویا مستقر شوند. هر گره حسگر شامل یک منبع تغذیه کوچک، واحدهای انتقال و پردازش است [1]. WSN یک شبکه کاربرد محور و اطلاعات محور است که در بسیاری از کاربردها از جمله دفاع، نظارت محیطی (مانند نور، دما، رطوبت و ارتعاش)، نظامی و بهداشت استفاده می‌شود [2]، [3].

Software defined networking (SDN) is an emerging architecture used in many applications because of its flexible architecture. It is expected to become an essential enabler for the Internet of Things (IoTs). It decouples the control plane from the data plane, and the controller manages the whole underlying network. SDN has been used in wireless sensor networks (WSNs) for routing. The SDN controller uses some algorithms to calculate the routing path; however, none of these algorithms have enough ability to obtain the optimized routing path. Therefore, reinforcement learning (RL) is a helpful technique to select the best routing path. In this paper, we optimize the routing path of SDWSN through RL. A reward function is proposed that includes all required metrics regarding energy efficiency and network quality-of-service (QoS). The agent gets the reward and takes the next action based on the reward received, while the SDWSN controller improves the routing path based on the previous experience. However, the whole network is also controlled remotely through the Web. The performance of the RL-based SDWSN is compared with SDN-based techniques, including Traditional SDN and Energy-Aware Software Defined Networking (EASDN), QR-SDN, TIDE and non SDN-based techniques, such as Q-learning and RL-based Routing (RLBR). The proposed RL-based SDWSN outperforms in terms of lifetime from 8% to 33% and packet delivery ratio (PDR) from 2% to 24%. It is envisioned that this work will help the engineers for achieving the desired WSN performance through efficient routing. INTRODUCTION: There are tiny sensor nodes in wireless sensor networks (WSNs) that may be stationary or mobile nodes deployed in a dynamic environment. Each sensor node consists of a small power source, transmission, and processing units [1]. The WSN is an application-oriented information-centric network used in many applications, including defense, environmental monitoring (i.e., light, temperature, humidity, and vibration), military, and health [2], [3].

ترجمه این مقاله در 35 صفحه آماده شده و در ادامه نیز صفحه 11 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.