Alter der Informationen in Drohnennetzwerken minimieren

In der Welt der Kommunikation, besonders mit Drohnen, wächst das Interesse daran, wie frisch oder aktuell die Informationen sind. Diese Frische wird als Age-of-Information (AoI) bezeichnet. Es misst, wie alt ein Datensatz ist; je aktueller die Daten, desto niedriger der AoI. Das ist besonders wichtig für Anwendungen, die zeitnahe Informationen benötigen, wie Verkehrsinformationen auf deinem Smartphone oder die Überwachung von Smart Devices in Haushalten.

Drohnen, oder unbemannte Luftfahrzeuge (UAVs), können genutzt werden, um diese zeitkritischen Informationen von verschiedenen Geräten zu sammeln und zurück zu einem zentralen System zur Analyse zu senden. Das Ziel ist es, die Drohnen so zu benutzen, dass die Informationen so frisch wie möglich bleiben, während die Routen, die sie nehmen, und wie oft sie anhalten, um Daten zu sammeln, gemanagt werden. Wir wollen die besten Stellen finden, an denen die Drohnen anhalten sollten, und die beste Frequenz, mit der sie Daten sammeln, um den AoI so gering wie möglich zu halten.

#Herausforderungen bei der Reduzierung des Age-of-Information

Den AoI in Netzwerken, die Drohnen nutzen, zu reduzieren, ist keine einfache Aufgabe. Drohnen bewegen sich dynamisch und müssen mit begrenzter Energie umgehen. Das macht die Planung ihrer Routen kompliziert. Ausserdem sind die Geräte, die Daten bereitstellen, möglicherweise nicht gleichmässig im Gebiet verteilt. In einigen Gegenden gibt es viele Geräte, während andere nur wenige haben, was es schwierig macht, Daten effizient zu sammeln und den AoI über alle Geräte hinweg zu minimieren.

Viele Forscher haben versucht, dieses Problem zu lösen. Einige haben versucht, den maximalen AoI zwischen Geräten zu reduzieren, während andere an der Optimierung der Flugrouten der Drohnen gearbeitet haben. Sie haben verschiedene Methoden vorgeschlagen, um das Problem anzugehen, aber diese Methoden kämpfen oft mit komplexen Szenarien und können lange brauchen, um Ergebnisse zu liefern. Sie passen sich auch nicht gut an neue Situationen an.

#Lösungen mit Maschinenlernen

Um diese Herausforderungen zu überwinden, wurden Ansätze des maschinellen Lernens (ML) vorgeschlagen. Diese Techniken lernen aus Daten, um ihre Vorhersagen und Entscheidungen im Laufe der Zeit zu verbessern. Zum Beispiel hat einige Forschung Deep Learning, eine Art von ML, verwendet, um effizient die beste Geschwindigkeit und Flugbahn für eine einzelne Drohne zu bestimmen. Andere Studien haben diese Idee auf mehrere Drohnen ausgeweitet, die zusammenarbeiten.

Unsere Arbeit hat zwei Hauptunterschiede zu früheren Studien. Erstens betrachten wir die Entscheidung, welches Gerät besucht werden soll, nicht als einfaches Ja oder Nein, sondern als Wahrscheinlichkeit. Das bedeutet, dass die Datensammlung zu einem Zufallsereignis wird, was es uns ermöglicht, den erwarteten AoI zur Optimierung zu verwenden. Zweitens schlagen wir eine innovative Methode vor, bei der eine Gruppe von Deep-Learning-Modellen, bekannt als Ensemble Deep Neural Network (EDNN), mit unüberwachtem Lernen trainiert wird.

#Wie wir das Age-of-Information minimieren

Unser Ziel ist es, den erwarteten AoI zu minimieren, während wir optimieren, wo die Drohnen anhalten und wie oft sie Geräte zur Datensammlung auswählen. Um das zu erreichen, leiten wir zuerst eine Formel für den erwarteten AoI basierend auf den Wahrscheinlichkeiten der Geräteeauswahl ab. Dann richten wir ein Optimierungsproblem ein, das bestimmte Qualitätsstandards berücksichtigt.

Der EDNN-Ansatz verwendet mehrere Deep-Learning-Modelle, die zusammenarbeiten. Jedes Modell im Ensemble wird separat trainiert, hat aber dieselbe Architektur. Während der Testphase werden die Ausgaben dieser Modelle kombiniert, um eine endgültige Entscheidung zu treffen. Das bedeutet, dass das Modell besser mit unterschiedlichen Eingaben und Szenarien umgehen kann.

#Systemaufbau

Das Setup umfasst ein drahtloses Netzwerk, in dem viele Internet of Things (IoT)-Geräte Updates an einen zentralen Server senden. Da IoT-Geräte begrenzte Kommunikationsreichweiten haben, werden Drohnen eingesetzt, um diese Daten zu sammeln. Jede Drohne sammelt regelmässig Updates von den Geräten. Das Ziel ist, dass während jedes Zeitintervalls die Daten so übermittelt werden, dass das Alter frisch bleibt und der erwartete AoI minimiert wird.

Um die Kommunikation zwischen Geräten und Drohnen zu verwalten, wird ein Modell verwendet, das Signaländerungen über einen Zeitraum berücksichtigt, das als Rician-Fading bekannt ist. Dieses Modell hilft, die Qualität des übertragenen Signals basierend auf verschiedenen Faktoren wie Entfernung und Umgebung zu bestimmen.

Für eine erfolgreiche Datenübertragung muss die Verbindungsqualität einem bestimmten Standard entsprechen. Die Drohnen müssen auch an verschiedenen Standorten anhalten, um Daten von den Geräten zu sammeln, ohne die gesamte Flugzeit erheblich zu beeinträchtigen.

#Die Rolle des Age-of-Information

AoI repräsentiert die Zeit, die vergeht zwischen dem Erhalt des letzten Updates und dem Moment, in dem das nächste bereit ist. Um den AoI für ein Gerät zu einem beliebigen Zeitpunkt zu berechnen, setzen wir Regeln fest, die zeigen, ob Daten während bestimmter Intervalle gesammelt wurden oder nicht. Wenn keine Daten gesammelt werden, steigt der AoI; wenn Daten gesammelt werden, wird der AoI auf null zurückgesetzt.

Der erwartete AoI ist entscheidend, weil er widerspiegelt, wie die Wahrscheinlichkeiten der Datensammlung die Frische der Informationen über mehrere Zeitintervalle beeinflussen. Das kann helfen, immer den Überblick darüber zu behalten, wie frisch die Informationen für jedes Geräte-Drohnen-Paar sind.

#Problembeschreibung

Um das Problem der AoI-Minimierung anzugehen, müssen wir die besten Wahrscheinlichkeiten finden, welche Geräte ausgewählt werden sollen und die Haltepunkte der Drohnen über die Zeit. Wir erstellen ein Optimierungsproblem, um dieses Ziel zu erreichen, wobei verschiedene Einschränkungen berücksichtigt werden, die die Drohnen einhalten müssen.

Diese Einschränkungen umfassen die erwarteten Datenraten für jede Verbindung, die Sicherstellung, dass kein Gerät gleichzeitig Daten an mehr als eine Drohne sendet, und dass jede Drohne ihre Kapazität oder die zugewiesene Flugzeit nicht überschreitet.

Das zu optimieren ist kompliziert, weil sowohl die Zielfunktion, die wir minimieren wollen, als auch einige Einschränkungen nicht konvex sind, was das Finden von Lösungen knifflig macht. Da kommen die EDNNs ins Spiel. Die Verwendung mehrerer Netzwerke verbessert unsere Fähigkeit, diese komplexen Probleme anzugehen.

#Training und Testen des Ensemble Deep Neural Network

Um das AoI-Problem effektiv zu lösen, betrachten wir seine primal-duale Formulierung. Wir modellieren die Wahrscheinlichkeiten der Datensammlung und die Planung der Drohnenstandorte als Ausgaben unseres Deep-Learning-Modells. Wir trainieren das Modell mit Daten, die Aspekte wie die Kommunikationsumgebung widerspiegeln, was uns ermöglicht, bessere Vorhersagen zu treffen.

Der Trainingsprozess beinhaltet das zufällige Auswählen kleiner Datenmengen, um das Modell iterativ zu aktualisieren. Das hilft, das Modell feinzujustieren und Überanpassung zu vermeiden, was bedeutet, sicherzustellen, dass das Modell anpassungsfähig an neue Daten ist und nicht nur die Trainingsdaten auswendig lernt.

Während der Testphase halten wir die Testdaten ähnlich wie die, die für das Training verwendet wurden. Jedes trainierte Modell liefert Ergebnisse für die Drohnenplanung und die Wahrscheinlichkeiten der Datensammlung. Diese Vorhersagen werden dann mithilfe eines gewichteten Systems, das sich darauf stützt, wie gut jedes Modell abgeschnitten hat, gemittelt.

#Ergebnisse der Simulation

Um die Methode zu bewerten, die wir entwickelt haben, simulieren wir ein Szenario, in dem ein bestimmtes Gebiet mit IoT-Geräten bevölkert ist. Eine Anzahl von Drohnen wird ausgesendet, um Daten von diesen Geräten zu sammeln und sicherzustellen, dass die Informationen frisch bleiben. Die Simulation betrachtet verschiedene Faktoren wie die Höhe der Drohnen, die Bandbreite, die den Geräten zugewiesen ist, und die verwendeten Leistungsniveaus.

Wir können aus den Simulationsergebnissen sehen, dass die Verwendung des EDNN zu einer kontinuierlichen Reduzierung des erwarteten AoI führt. Es zeigt eine signifikante Leistungsverbesserung im Vergleich zu traditionellen Methoden. Durch den Vergleich der Leistung des EDNN mit der typischer DNN-Modelle gibt es einen klaren Vorteil für den EDNN bei der effektiven Reduzierung des AoI.

Mit zunehmender Grösse des Ensembles neigt der erwartete AoI dazu, weiter zu sinken, was darauf hinweist, dass der Ansatz noch Verbesserungspotenzial und mehr Effizienz hat.

#Fazit

Wir haben das Problem der Minimierung des Age-of-Information in drohnenunterstützten Netzwerken angegangen. Unser Ansatz mit Ensemble Deep Neural Networks plant effektiv die Bewegungen der Drohnen und optimiert die Wahrscheinlichkeiten der Geräteeauswahl. Durch das Training dieser Netzwerke mit unüberwachtem Lernen können wir den AoI minimieren. Die vielversprechenden Ergebnisse unserer Simulationen bestätigen die Effektivität dieser Methode im Vergleich zu traditionellen Techniken. Diese Arbeit trägt dazu bei, die Effizienz der Datensammlung in Netzwerken, die auf Drohnen angewiesen sind, zu verbessern und ebnet den Weg für eine schnellere und zeitnahe Informationsübermittlung.