Метод распределения мощности передачи в гетерогенных сетях Интернета вещей

Обложка

Цитировать

Полный текст

Аннотация

Актуальность. Совершенствование сетей Интернета вещей, являясь одним из приоритетных направлений развития телекоммуникаций, приводит к образованию сетей с высокой концентрацией устройств – сетей высокой и сверхвысокой плотности. Для обеспечения функционирования таких сетей могут быть использованы различные технологии связи, что ведет к формированию гетерогенных сетей Интернета вещей. Это могут быть сети сбора данных, сети коммуникаций машина‒машина (М2М), телеуправления и другие. Использование множества технологий требует применения методов, обеспечивающих эффективность их эксплуатации для передачи данных. В работе предлагается один из таких методов, обеспечивающий повышение эффективности гетерогенной сети Интернета вещей.Постановка задачи. Разработка модели и метода распределения мощности между подканалами в узлах гетерогенной сети Интернета вещей высокой плотности с учетом особенностей таких сетей, позволяющих получить описание их функционирования и обеспечить повышение эффективности функционирования за счет перераспределения мощности передачи по подканалам.Цель работы. Повышение эффективности функционирования гетерогенной сети Интернета вещей высокой плотности. Для решения задачи использовались методы математического моделирования, теории информации, методы оптимизации и численного моделирования.Результат. Разработан модельно-методический аппарат, обеспечивающий повышение эффективности функционирования гетерогенной сети Интернета вещей высокой плотности за счет оптимального перераспределения мощности между подканалами передачи данных, что дает возможность повысить скорость передачи данных при фиксированной мощности передачи.Новизна. Эффективность предложенного метода обеспечивается благодаря решению задачи оптимального распределения мощности между подканалами с учетом величины помех и обслуживаемого трафика (использования). Эффективность метода зависит от параметров подканалов. Она минимальна при идентичных подканалах и повышается при увеличении различий между параметрами используемых подканалов. Предложенный метод учитывает трафик, передаваемый по подканалам (загрузку подканалов) и их особенности в части достижимой скорости передачи, что позволяет адаптировать данный метод к конкретным условиям.Практическая значимость. Разработанные модель и метод могут быть использованы при построении устройств и гетерогенных сетей Интернета вещей высокой плотности в целях повышения их эффективности. Метод распределения мощности по подканалам может быть применен при реализации системы управления (протокола) передачей для устройств, использующих различные технологии организации каналов передачи.

Об авторах

Ф. Н. Хоанг

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича

Email: khoang.fn@sut.ru

А. И. Парамонов

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича

Email: paramonov@sut.ru

Список литературы

  1. Рекомендация МСЭ-Е Y.2060 (06/2012). Требования к поддержке приложений машинно-ориентированной связи в среде сетей последующих поколений.
  2. Кучерявый А.Е., Парамонов А.И., Маколкина М.А., Мутханна А.С.А., Выборнова А.И., Дунайцев Р.А. и др. Трехмерные многослойные гетерогенные сверхплотные сети // Информационные технологии и телекоммуникации. 2022. Т. 10. № 3. С. 1‒12. doi: 10.31854/2307-1303-2021-10-3-1-12. EDN:LHLYEM
  3. Selvaraju S.P., Balador A., Fotouhi H., Vahabi M., Bjorkman M. Network Management in Heterogeneous IoT Networks // Proceedings of the International Wireless Communications and Mobile Computing (IWCMC, Harbin City, China, 28 June ‒ 02 July 2021). IEEE, 2021. PP. 1581‒1586. doi: 10.1109/IWCMC51323.2021.9498801
  4. Mshvidobadze T. Heterogeneous IoT Platform in Network Architecture // International Journal of Computers. 2022. Vol. 16. PP. 60‒65. doi: 10.46300/9108.2022.16.12
  5. Кучерявый А.Е., Окунева Д.В., Парамонов А.И., Хоанг Н.Ф. Методы распределения трафика в гетерогенной сети интернета вещей высокой плотности // Труды учебных заведений связи. 2024. Т. 10. № 2. С. 67‒74. doi: 10.31854/1813-324X-2024-10-2-67-74. EDN:RTNVEU
  6. Бузюков Л.Б., Окунева Д.В., Парамонов А.И. Проблемы построения беспроводных сенсорных сетей // Труды учебных заведений связи. 2017. Т. 3. № 1. С. 5‒12. EDN:YMHZIX
  7. Тонких Е.В., Парамонов А.И., Кучерявый А.Е. Анализ беспроводной сети интернета вещей высокой плотности // Электросвязь. 2020. № 1. С. 44‒48. doi: 10.34832/ELSV.2020.2.1.006. EDN:IWAHZO
  8. Шеннон К. Работы по теории информации и кибернетике. Пер. с англ. М.: Издательство иностранной литературы, 1963. 829 с.
  9. Зюко А.Г., Кловский Д.Д., Коржик В.И., Назаров М.В. Теория электрической связи. М.: Радио и связь, 1999. 432 с.
  10. Пантелеев А.П., Летова Т.А. Методы оптимизации в примерах и задачах. М.: Высшая школа, 2005. 544 с.
  11. Qi Q., Minturn A., Yang Y. An efficient water-filling algorithm for power allocation in OFDM-based cognitive radio systems // Proceedings of the International Conference on Systems and Informatics (ICSAI2012, Yantai, China, 19‒20 May 2012). IEEE, 2012. PP. 2069‒2073. doi: 10.1109/ICSAI.2012.6223460
  12. Boyd S.P., Vandenberghe L. Convex Optimization. Cambridge University Press, 2004. 716 p.
  13. Галлагер Р. Теория информации и надежная связь. М.: Советское радио, 1974. 720 с.
  14. Nir V. L., Scheers B. Distributed Power Allocation for Parallel Broadcast Channels with Only Common Information in Cognitive Tactical Radio Networks // EURASIP Journal on Wireless Communications and Networking. 2010. P. 172013. doi: 10.1155/2010/172013

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».