اینترنت اشیا یا IoT، چند سالیه واقعاً ترکونده! دیگه همه جا اسمش رو می‌شنویم؛ توی کشاورزی، لجستیک (یعنی مدیریت حمل و نقل و انبارها)، شهرهای هوشمند، حتی تو سلامت و درمان. حالا برای اینکه این دنیای پر از دستگاه‌های هوشمند بتونه حرف بزنه و داده رد و بدل کنه، یکی از محبوب‌ترین فناوری‌ها «لوراون» (LoRaWAN) شده. لوراون واقعاً جذابه چون برد طولانی داره (یعنی می‌تونه از فواصل زیاد سیگنال رو رد کنه)، برق کمی مصرف می‌کنه و کلاً ارزونه.
ولی رشد دقیقاً همین دستگاه‌های زیاد، یه جورایی کار رو برای مدیریت منابع سخت کرده، مخصوصاً تو قضیه چیزی که بهش می‌گن «اسپریدینگ فاکتور» (Spreading Factor یا همون SF). حالا شاید برات سؤال بشه SF چیه؟ خیلی خلاصه بخوام بگم، اسپریدینگ فاکتور یه عددیه که تو ارتباطات لورا تعیین می‌کنه چه جوری داده‌ها رمزگذاری و فرستاده بشن؛ هر چی این عدد بالاتر باشه، برقراری ارتباط تو فاصله‌های دورتر راحت‌تره ولی سرعت انتقال داده کم میشه.
چالش اصلی اینجا اینه که چه‌جوری برای هر دستگاه بهترین SF رو انتخاب کنیم که هم برق دستگاه کم مصرف بشه، هم داده درست رد و بدل بشه. حالا این مقاله اومده خلاقیت به خرج داده و گفته خب، چرا از یادگیری ماشین استفاده نکنیم؟ (یادگیری ماشین یعنی مدل‌هایی که خودشون با داده یاد می‌گیرن و پیش‌بینی می‌کنن چی بهتر جواب می‌ده.) دقیقاً از یه مدل به اسم LSTM استفاده کردن؛ این مدل‌ها رو معمولاً برای داده‌های سری زمانی یا داده‌هایی که تو زمان دنباله‌دارن استفاده می‌کنن، مثل پیش‌بینی آب‌وهوا.
اون‌ها با استفاده از شبیه‌ساز ns-3 (که معروفه به شبیه‌سازی شبکه‌ها) یه دیتاست یا همون مجموعه‌داده ساختن و مدل LSTM رو باهاش آموزش دادن. بعد اومدن این مدل آموزش‌دیده رو روی دستگاه‌های انتهایی پیاده کردن. یعنی هر دستگاه لورا حالا با کمک این مدل می‌تونه بهترین SF خودش رو پیدا کنه – تازه با داده‌های جدیدی که تو اجرا به دست میاد!
نتیجه چی شد؟ با این رویکرد هوشمندانه، میزان تحویل بسته‌های داده (Packet Delivery Ratio) بیشتر شد و مصرف انرژی هم کمتر! یعنی هم داده‌ها بهتر به مقصد می‌رسن، هم باتری دستگاه دیرتر خالی میشه.
خلاصه اگر دنبال یه راه‌حل باحال و هوشمندانه برای مدیریت منابع شبکه لورا هستی، این روش ML-ADR خیلی می‌تونه به کارت بیاد چون از پس چالش‌های دستگاه‌های زیاد و فاصله‌های مختلف برمیاد.
منبع: +
