[논문 리뷰] Design of Link-Quality-prediction-based Software-Defined Wireless Sensor Networks

Liao Wenxing, Xiaofei Shi|arXiv (Cornell University)|2021. 10. 16.

Energy Efficient Wireless Sensor Networks참고 문헌 24인용 수 5

한 줄 요약

이 논문은 네트워크 안정성을 향상시키기 위해 불안정한 무선 링크를 사전에 식별하고 회피함으로써 네트워크 안정성을 향상시키는 링크 품질 예측 기반 소프트웨어 정의 무선 센서 네트워크(SDWSN) 아키텍처를 제안한다. 기계 학습 기반 예측 모델을 활용해 이력 링크 품질 메트릭스(예: RSSI, PRR)를 활용함으로써 컨트롤러는 네트워크 형성 이전에 약한 링크를 사전 식별하며, 이로 인해 불안정한 연결에 의존하는 것을 줄이고, 특히 대규모 네트워크에서 이웃 안정성과 엔드 투 엔드 전달률을 크게 향상시킨다.

ABSTRACT

In wireless multi-hop networks, the instability of the wireless links leads to unstable networking. Even in the newly designed Software-Defined Wireless Sensor Networks (SDWSN), similar problems exist. To further improve the stability of SDWSN, we introduce a Link Quality (LQ) prediction model into the SDWSN architecture. The prediction model is used to improve the stability between neighbor nodes, and thus the stability of wireless multi-hop routes. Simulation results show that the LQ prediction model can make reasonable corrections to the reality wireless link model, which can well address the restrictive nature of unstable links. As a result, by reducing the use of unstable wireless links, the stability of the SDWSN network improved.

연구 동기 및 목표

• 소프트웨어 정의 무선 센서 네트워크(SDWSN)에서 다중 홉 링크의 불안정성 문제를 해결함으로써 확장성과 신뢰성을 향상시키기 위해.
• 분산 라우팅에서 신호 변동성과 다중 홉 오류 누적으로 인한 약한 링크의 영향을 줄이기 위해.
• 네트워크 형성 이전에 불안정한 링크를 사전 식별함으로써 네트워크 안정성을 향상시키기 위해.
• 링크 품질(LQ) 예측 모델이 이웃 관계 안정성과 다중 홉 라우팅 신뢰성 향상에 미치는 영향을 평가하기 위해.
• 예측을 통한 불안정한 링크 회피가 네트워크 반경과 엔드 투 엔드 전달 성능을 향상시키는지 입증하기 위해.

제안 방법

• 네트워크 형성 이전에 링크 신뢰성 예측을 수행하기 위해 SDWSN 컨트롤러에 링크 품질(LQ) 예측 모델을 통합한다.
• RSSI, PRR, SNR, LQI 등의 이력 데이터를 예측 모델의 입력 특징으로 사용한다.
• 온라인 학습 기반의 예측 메커니즘(예: TALENT 또는 유사 기법)을 활용해 링크 품질 추정치를 동적으로 업데이트한다.
• 이웃 발견 및 네트워크 구조 형성 과정에서 예측 모델을 적용하여 불안정한 링크를 네트워크 그래프에서 제외한다.
• 네트워크 구조 안정성과 엔드 투 엔드 성능 메트릭스를 평가하기 위해 파이썬 기반 시뮬레이션 플랫폼을 구현한다.
• 예측된 신뢰도가 낮은 링크를 회피하기 위해 임계값 기반 접근 방식을 사용한다.

실험 결과

연구 질문

• RQ1 링크 품질 예측 모델을 통합함으로써 SDWSN에서 이웃 관계의 안정성에 어떤 영향을 미치는가?
• RQ2 링크 품질 예측이 네트워크 형성 과정에서 불안정한 무선 링크 사용을 얼마나 줄일 수 있는가?
• RQ3 대규모 네트워크에서 링크 품질 예측 모델이 다중 홉 라우팅의 엔드 투 엔드 전달률에 어떤 영향을 미치는가?
• RQ4 링크 품질 예측을 사용할 경우, 노드 커버리지 감소와 네트워크 안정성 향상 사이의 상충 관계는 어떻게 나타나는가?
• RQ5 링크 품질(LQ) 예측 모델이 있는지 여부에 따라 네트워크 반경(최대 통신 거리)은 어떻게 변화하는가?

주요 결과

• 예측 윈도우 크기(M 및 K)가 증가할수록 이웃 안정 지속 시간이 크게 증가하였다.
• LQ 예측 모델 적용 후 노드당 평균 이웃 수가 감소하여 불안정한 외곽 링크가 제거된 것으로 나타났다.
• LQ 예측 모델을 사용할 경우, 거리 6.7r₀ 이내에서 엔드 투 엔드 전달률이 30% 이상 유지되었으나, 이를 사용하지 않을 경우 단지 2.1r₀까지였다.
• 노드 효과적 커버리지가 감소했음에도 불구하고, 링크 신뢰성 향상으로 인해 네트워크 반경이 200% 이상 증가하였다.
• 예측 모델은 불안정한 링크의 사용을 줄여 더 안정적이고 신뢰할 수 있는 다중 홉 라우팅 네트워크 구조를 제공하였다.
• 예측 기반 네트워크에서는 거리가 증가함에 따라 누적 전달률 감소 속도가 더 느렸으며, 이는 라우팅 안정성 향상을 시사한다.