افزایش اتکا پذیری در شبکه های حسگر بی سیم با استفاده از یادگیری ماشین کوچک

شبکه های حسگر بی سیم (WSN) به دلیل قابلیت استقرار سریع، هزینه پایین و کاربردهای گسترده در حوزه هایی همچون اینترنت اشیا، پایش محیطی، کشاورزی هوشمند و سامانه های حیاتی، به یکی از فناوری های کلیدی در دهه های اخیر تبدیل شده اند. با این حال، محدودیت های سخت افزاری و نرم افزاری گره های حسگر، از جمله توان پردازشی و انرژی پایین، این شبکه ها را در برابر خرابی ها و اختلالات آسیب پذیر ساخته و موضوع اتکاپذیری را به چالشی اساسی بدل کرده است.در این پژوهش، چارچوبی نوین مبتنی بر یادگیری ماشین کوچک (TinyML) برای افزایش اتکاپذیری و بهینه سازی مصرف انرژی در شبکه های حسگر بی سیم ارائه گردیده است. معماری پیشنهادی شامل چهار ماژول کلیدی تشخیص ناهنجاری، پیش بینی خرابی، فشرده سازی هوشمند داده و مسیریابی تطبیقی می باشد که با استقرار محلی در سطح گره ها، امکان پردازش سریع، کاهش بار ارتباطی و مدیریت هوشمند منابع را فراهم می سازد. نتایج شبیه سازی ها نشان داد که روش پیشنهادی علاوه بر افزایش طول عمر شبکه و کاهش چشمگیر مصرف انرژی، موجب بهبود کیفیت داده، پایداری ارتباطات و واکنش سریع به رخدادهای غیرعادی می گردد.یافته های این تحقیق نشان می دهد که بهره گیری از یادگیری ماشین کوچک می تواند افق های جدیدی را در طراحی شبکه های حسگر بی سیم هوشمند بگشاید و بستر مناسبی برای توسعه کاربردهای آینده در مقیاس های کلان و محیط های پویا فراهم آورد.

کلیدواژه ها:

شبکه حسگر بی سیم ، یادگیری ماشین کوچک