[论文解读] Optimal Reliability in Energy Harvesting Industrial Wireless Sensor Networks

Lei Lei, Yiru Kuang+5 more|arXiv (Cornell University)|May 6, 2016

Energy Harvesting in Wireless Networks参考文献 28被引用 5

一句话总结

该论文提出了一种用于能量采集工业无线传感器网络（EH-IWSNs）的分布式能量管理算法，通过联合优化能量分配与调度，在满足延迟约束的前提下最小化加权分组丢失率。该方法利用带有在线随机学习和后决策状态近似的近似马尔可夫决策过程，实现了接近最优的可靠性，且计算复杂度较低，在仿真中优于基线算法，同时保持了实时性能。

ABSTRACT

For Industrial Wireless Sensor Networks, it is essential to reliably sense and deliver the environmental data on time to avoid system malfunction. While energy harvesting is a promising technique to extend the lifetime of sensor nodes, it also brings new challenges for system reliability due to the stochastic nature of the harvested energy. In this paper, we investigate the optimal energy management policy to minimize the weighted packet loss rate under delay constraint, where the packet loss rate considers the lost packets both during the sensing and delivering processes. We show that the above energy management problem can be modeled as an infinite horizon average reward constraint Markov decision problem. In order to address the well-known curse of dimensionality problem and facilitate distributed implementation, we utilize the linear value approximation technique. Moreover, we apply stochastic online learning with post-decision state to deal with the lack of knowledge of the underlying stochastic processes. A distributed energy allocation algorithm with water-filling structure and a scheduling algorithm by auction mechanism are obtained. Experimental results show that the proposed algorithm achieves nearly the same performance as the optimal offline value iteration algorithm while requiring much less computation complexity and signaling overhead, and outperforms various existing baseline algorithms.

研究动机与目标

• 为解决在能量供应随机且不可预测的环境下，维持能量采集工业无线传感器网络（EH-IWSNs）高可靠性的问题。
• 在时间敏感的工业应用严格延迟约束下，最小化加权分组丢失率——该指标同时考虑了感知和传输过程中的损失。
• 设计一种分布式、低复杂度的能量管理策略，利用电池状态信息（BSI）、队列状态信息（QSI）和信道状态信息（CSI）。
• 在不预先知晓随机过程分布的情况下，克服马尔可夫决策过程（MDPs）的维度灾难问题，实现实时在线自适应。
• 在显著降低计算与信令开销的同时，实现接近离线最优算法的性能。

提出的方法

• 将可靠性优化问题建模为无限时域平均奖励约束马尔可夫决策过程（CMDP）。
• 采用线性值函数近似以缓解维度灾难问题，并支持分布式实现。
• 采用带有后决策状态的随机在线学习方法，以处理能量到达和信道条件的未知概率分布。
• 基于本地的BSI、QSI和CSI，推导出具有多级水填充分布结构的分布式能量分配算法。
• 引入基于拍卖的调度机制，每时隙选择最优的EHS节点进行传输。
• 采用一种在线随机学习（OSL）变体，无需系统过程的完整统计知识即可近似最优值函数。

实验结果

研究问题

• RQ1 在能量供应随机且不可预测的条件下，能量采集IWSNs如何实现最优可靠性？
• RQ2 联合优化感知与传输能量分配对系统整体分组丢失率有何影响？
• RQ3 在不预先掌握能量与信道统计特性的情况下，能否通过一种分布式、低复杂度算法实现接近最优的可靠性？
• RQ4 与启发式或状态无关的策略相比，集成BSI、QSI和CSI信息在多大程度上提升了系统性能？
• RQ5 在线学习结合后决策状态，在多大程度上能近似离线最优值迭代的性能？

主要发现

• 所提出的AMDP+OSL算法在加权分组丢失率方面几乎与离线最优值迭代（OVI）算法持平，证明了其在可靠性性能上的近似最优性。
• 该算法在加权分组丢失率和平均延迟方面显著优于贪婪（Greedy）和UROP基线算法，尤其在高流量或能量波动较大的情况下优势更明显。
• 当采集能量或数据到达率较低时，分组丢失主要源于感知能力限制；当速率提高时，缓冲区溢出成为主要损失来源，而所提算法能有效缓解此问题。
• 基于OSL的算法在无需了解能量或数据到达底层概率分布的情况下，收敛至OVI算法的性能水平。
• 采用水填充分布结构的能量分配与基于拍卖的调度机制，实现了分布式设计，显著降低了信令开销与计算复杂度，同时保持了高可靠性。
• 该算法在不同EHS节点数量及不同能量/数据到达率下均表现稳健且具备良好的可扩展性。