[논문 리뷰] Machine Learning for the Internet of Underwater Things: From Fundamentals to Implementation

Kenechi G. Omeke, Attai Ibrahim Abubakar외 4명|arXiv (Cornell University)|2026. 03. 08.

Underwater Vehicles and Communication Systems인용 수 0

한 줄 요약

포괄적인 튜토리얼-설문조사로서 머신 러닝이 IoUT를 모든 프로토콜 계층에서 가능하게 하는 방법에 대해 다루고, 구현 지침과 향후 방향을 제공합니다.

ABSTRACT

The Internet of Underwater Things (IoUT) is becoming a critical infrastructure for ocean observation, marine resource management, and climate science. Its development is hindered by severe acoustic attenuation, propagation delays far exceeding those of terrestrial wireless systems, strict energy constraints, and dynamic topologies shaped by ocean currents. Machine learning (ML) has emerged as a key enabler for addressing these limitations, offering data driven mechanisms that enhance performance across all layers of underwater wireless sensor networks. This tutorial survey synthesises ML methodologies supervised, unsupervised, reinforcement, and deep learning specifically contextualised for underwater communication environments. It outlines the algorithmic principles of each paradigm and examines the conditions under which particular approaches deliver superior performance. A layer wise analysis highlights physical layer gains in localisation and channel estimation, MAC layer adaptations that improve channel utilisation, network layer routing strategies that extend operational lifetime, and transport layer mechanisms capable of reducing packet loss by up to 91 percent. At the application layer, ML enables substantial data compression and object detection accuracies reaching 92 percent. Drawing on 300 studies from 2012 to 2025, the survey documents energy efficiency gains of 7 to 29 times, throughput improvements over traditional protocols, and cross layer optimisation benefits of up to 42 percent. It also identifies persistent barriers, including limited datasets, computational constraints, and the gap between theoretical models and real world deployment. The survey concludes with emerging research directions and a technology roadmap supporting ML adoption in operational underwater networks.

연구 동기 및 목표

• 해양 환경의 통신 및 네트워크가 직면한 고유한 문제에 대처하기 위해 머신 러닝 활용을 촉진한다.
• 물리 계층에서 애플리케이션 계층에 이르는 IoUT 프로토콜 스택 전반에 걸친 ML 기법을 체계적으로 검토한다.
• 자원 제약이 있는 수중 플랫폼에서 ML을 구현하기 위한 실용적인 지침을 제공한다.
• 2035년 및 그 이후를 향한 고임팩트 연구 방향과 기술 로드맵을 강조한다.

제안 방법

• 수중 맥락에 맞춘 ML 기법의 구조화된 분류체계(감독 학습, 비감독 학습, 강화 학습, 딥 러닝)를 제시한다.
• 물리, MAC, 네트워크, 전송, 애플리케이션 계층에 걸친 ML 적용에 대한 계층별 분석과 시연 메커니즘을 제시한다.
• 데이터 요건, 계산 제약, 배포 전략을 다루는 구현 지침을 합성한다.
• ML 기반 설계를 통한 교차 계층 최적화, 에너지 효율 향상 및 성능 개선을 논의한다.
• IoUT를 위한 PINNs, Federated Learning, Transformer 아키텍처와 같은 향후 방향을 식별한다.

실험 결과

연구 질문

• RQ1 IoUT의 고유한 전파, 에너지 및 이동성 도전에 ML 기법을 어떻게 효과적으로 맞춤화할 수 있는가?
• RQ2 IoUT의 각 프로토콜 계층(물리, MAC, 네트워크, 전송, 애플리케이션)에서 가장 영향력 있는 ML 접근법은 무엇인가?
• RQ3 자원 제약이 있는 수중 플랫폼에 ML을 배치하기 위한 실제 구현 도전과 데이터 요구사항은 무엇인가?
• RQ4 2035년까지 IoUT 배치를 위한 가장 유망한 미래 ML 방향(PINNs, 연합 학습, 트랜스포머 등)은 무엇인가?
• RQ5 ML 기반 솔루션은 에너지 효율성, 처리량, 신뢰성 측면에서 IoUT의 기존 방법과 어떻게 비교되는가?

주요 결과

• ML은 특정 시나리오에서 상당한 에너지 효율 향상을 가져올 수 있다(7–29×).
• 교차 계층 ML 최적화는 계층별로 분리된 접근 방식보다 약 42%의 추가 성능 향상을 제공한다.
• 전송 계층 ML 접근 방식은 최대 91%의 패킷 손실 감소를 달성할 수 있다.
• 애플리케이션 계층 ML 작업은 데이터 압축을 최대 10배까지, 물체 탐지 정확도를 92%까지 개선할 수 있다.
• 장거리 개선으로는 200–300% 처리량 증가 및 기저 채널 활용도 향상이 있다.