[논문 리뷰] A Coverage Monitoring algorithm based on Learning Automata for Wireless Sensor Networks

Habib Mostafaei, Mehdi Esnaashari외 1명|arXiv (Cornell University)|2014. 09. 04.

Optimization and Search Problems인용 수 11

한 줄 요약

이 논문은 무선 센서 네트워크를 위한 학습 오토마타 기반 스케줄링 알고리즘인 LAML을 제안한다. 이 알고리즘은 커버리지 최적화와 네트워크 수명 연장 목적으로 센서 노드의 활성 또는 슬립 상태를 동적으로 선택한다. 각 노드가 국소 피드백에 기반해 최적의 상태를 자율적으로 학습함으로써, 기존 방법에 비해 뛰어난 에너지 효율성과 더 긴 네트워크 수명을 달성하며, 시뮬레이션을 통해 검증되었다.

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.

연구 동기 및 목표

• 무작위로 배치된 센서를 가진 무선 센서 네트워크에서 에너지 효율성 문제를 해결하기 위해.
• 중앙 집중식 제어 없이도 전체 목표 커버리지를 유지하면서 부정합 활동을 최소화하는 분산형 자가 최적화 스케줄링 메커니즘을 개발하기 위해.
• 학습 오토마타를 사용해 지능적으로 활성/슬립 상태를 선택함으로써 센서 네트워크의 운영 수명을 연장하기 위해.
• 중앙 집중식 제어 없이 각 센서 노드에서 국소적 의사결정을 자율적으로 내릴 수 있도록 하기 위해.

제안 방법

• 각 센서 노드는 국소 피드백에 기반해 활성 상태와 슬립 상태 사이에서 선택하는 학습 오토마타를 탑재한다.
• 학습 오토마타는 커버리지 품질에 따라 행동 확률을 조정하기 위해 강화 학습 원리를 사용한다.
• 커버리지 품질은 목표가 적절히 모니터링되고 있는지를 나타내는 피드백 신호를 통해 평가된다.
• 학습 과정은 보상-벌점 메커니즘으로 이뤄지며, 커버리지가 유지되면 보상이 주어지고, 그렇지 않으면 벌점이 부과된다.
• 시스템은 중앙 집중식 제어 없이 분산 방식으로 작동하므로 통신 오버헤드가 감소한다.
• 항공기에서의 랜덤 배치로 인한 중복 센서 배치를 처리하기 위해 설계되었으며, 적응형 스케줄링을 통해 정밀도가 떨어지는 배치를 보완한다.

실험 결과

연구 질문

• RQ1 무작위로 배치된 센서 네트워크에서 에너지 소비를 최소화하면서도 전체 커버리지를 유지할 수 있는 분산형 자율 스케줄링 메커니즘은 어떻게 설계할 수 있는가?
• RQ2 어떤 학습 메커니즘이 센서 노드가 국소 피드백에 기반해 자율적으로 활성/슬립 상태 결정을 최적화할 수 있도록 하는가?
• RQ3 제안된 학습 오토마타 기반 접근 방식은 네트워크 수명 연장 측면에서 기존 스케줄링 알고리즘과 어떻게 비교되는가?
• RQ4 어떤 정도까지 중복 센서 배치를 지능적인 스케줄링을 통해 에너지 효율성 향상에 활용할 수 있는가?

주요 결과

• 시뮬레이션 결과, LAML 알고리즘은 기존 스케줄링 방법에 비해 네트워크 수명을 크게 연장한다.
• 제안된 방법은 시간이 지남에 따라 활성 센서 수를 줄이면서도 전체 목표 커버리지를 유지한다.
• 학습 오토마타 덕분에 각 노드가 전역 정보나 중앙 집중식 제어 없이도 최적의 상태를 자율적으로 학습할 수 있다.
• 항공기에서의 배치로 인한 정밀도가 떨어지는 센서 설치 상황에서도 높은 커버리지 신뢰성을 달성한다.
• 시뮬레이션 결과, LAML은 유사한 기존 방법에 비해 네트워크 운영 시간 연장 측면에서 뛰어난 성능을 보였다.
• 알고리즘의 분산 구조 덕분에 통신 오버헤드가 감소하고 확장성이 향상된다.