[論文レビュー] A Coverage Monitoring algorithm based on Learning Automata for Wireless Sensor Networks

Habib Mostafaei, Mehdi Esnaashari+1 more|arXiv (Cornell University)|Sep 4, 2014

Optimization and Search Problems被引用数 11

ひとこと要約

本稿では、無線センサーネットワークにおける学習オートマトンに基づくスケジューリング手法LAMLを提案する。LAMLは、センサーノードのアクティブ状態またはスリープ状態を動的に選択することで、カバレッジを最適化し、ネットワークのライフタイムを延長することを目的としている。各ノードが局所的なフィードバックに基づき最適な状態を自律的に学習できるようにすることで、従来の手法と比較して優れたエネルギー効率とより長いネットワーク寿命を達成しており、シミュレーションによって検証されている。

ABSTRACT

To cover a set of targets with known locations within an area with limited or prohibited ground access using a wireless sensor network, one approach is to deploy the sensors remotely, from an aircraft. In this approach, the lack of precise sensor placement is compensated by redundant de-ployment of sensor nodes. This redundancy can also be used for extending the lifetime of the network, if a proper scheduling mechanism is available for scheduling the active and sleep times of sensor nodes in such a way that each node is in active mode only if it is required to. In this pa-per, we propose an efficient scheduling method based on learning automata and we called it LAML, in which each node is equipped with a learning automaton, which helps the node to select its proper state (active or sleep), at any given time. To study the performance of the proposed method, computer simulations are conducted. Results of these simulations show that the pro-posed scheduling method can better prolong the lifetime of the network in comparison to similar existing method.

研究の動機と目的

• ランダムに配置されたセンサーノードを有する無線センサーネットワークにおけるエネルギー効率の課題に対処すること。
• 重複する活動を最小限に抑えつつ完全なターゲットカバレッジを維持する分散型で自己最適化可能なスケジューリングメカニズムを開発すること。
• 学習オートマトンを用いた知的な状態選択（アクティブ／スリープ）により、センサーネットワークの運用ライフタイムを延長すること。
• 中央集権的制御なしに、各センサーノードで自律的かつ局所的な意思決定が可能になるようにすること。

提案手法

• 各センサーノードには、局所的フィードバックに基づいてアクティブ状態とスリープ状態の間で選択を行う学習オートマトンが搭載されている。
• 学習オートマトンは強化学習の原則を用い、提供されるカバレッジの質に応じて行動確率を適応的に変更する。
• カバレッジの質は、ターゲットが適切に監視されているかどうかを示すフィードバック信号によって評価される。
• 報酬・罰則メカニズムによって学習プロセスが駆動される：カバレッジが維持されていれば報酬が与えられ、維持されていなければ罰則が課される。
• システムは分散型に動作し、中央集権的な調整が不要であるため、通信オーバーヘッドが削減される。
• 本手法は、航空機からの配置による冗長なセンサーデプロイメントに対応しており、不正確な配置を補うために適応的スケジューリングを実現する。

実験結果

リサーチクエスチョン

• RQ1 ランダムに配置されたセンサーネットワークにおいて、エネルギー消費を最小限に抑えつつ完全なカバレッジを維持できる分散型で自律的なスケジューリングメカニズムはどのように設計できるか？
• RQ2 どのような学習メカニズムが、各センサーノードが局所的フィードバックに基づいて自律的にアクティブ／スリープ状態の意思決定を最適化できるか？
• RQ3 提案された学習オートマトンに基づくアプローチは、従来のスケジューリングアルゴリズムと比較して、ネットワークライフタイムの延長においてどのように優れているか？
• RQ4 冗長なセンサーデプロイメントは、知的なスケジューリングによってどれほどエネルギー効率を向上させることができるか？

主な発見

• シミュレーションにおいて、LAMLアルゴリズムは従来のスケジューリング手法と比較して、ネットワークライフタイムを顕著に延長している。
• 提案手法は、時間の経過とともにアクティブなセンサーノードの数を減らしながらも、完全なターゲットカバレッジを維持している。
• 学習オートマトンにより、各ノードがグローバルな情報や中央集権的制御を必要とせずに最適な状態を自律的に学習できる。
• 空からのデプロイメントに起因する不正確なセンサーデプロイメントに対しても、高いカバレッジ信頼性を達成している。
• シミュレーション結果から、LAMLは類似する従来手法よりもネットワーク運用時間の延長において優れていることが示されている。
• アルゴリズムの分散型特性により、通信オーバーヘッドが低減され、スケーラビリティが向上している。