ارائه یک معماری بهینه سازی مصرف انرژی در خانه هوشمند مبتنی بر اینترنت اشیا و یادگیری ماشین (شبیه سازی با رویکرد کاهش تاخیر و افزایش نرخ تحویل بسته)

اینترنت اشیا به عنوان یکی از فناوری های کلیدی در عصر تحول دیجیتال، کاربردهای گسترده ای از جمله در خانه هوشمند یافته است. با وجود مزایای متعدد خانه هوشمند در زمینه افزایش آسایش، ایمنی و بهینه سازی مصرف انرژی ساختمان، اما خود زیرساخت اینترنت اشیا با چالش های جدی نظیر مصرف بالای انرژی گره ها، تاخیر در ارسال داده ها و کاهش نرخ تحویل موفق بسته به ویژه در شرایط تداخل پروتکل های مختلف ارتباطی مواجه است. هدف اصلی این پژوهش، ارائه یک معماری جدید در لایه لبه برای خانه هوشمند است که با بهره گیری از مدل پیش بینی مبتنی بر شبکه حافظه کوتاه مدت بلندمدت (LSTM)، الگوی ترافیک گره ها را پیش بینی کرده و یک جدول زمان بندی پویا برای بیدار و خواب کردن گره ها و رفع تداخل پروتکل ها ایجاد نماید. روش پژوهش از نوع کمی و تجربی مبتنی بر شبیه سازی با نرم افزار Cooja است. جامعه مورد مطالعه شامل ۵۰ گره اینترنت اشیا با چهار پروتکل ارتباطی در یک آپارتمان شبیه سازی شده می باشد. روش پیشنهادی با دو روش پایه CSMA/CA و زمان بندی دوره ای ثابت مقایسه گردید. یافته ها نشان داد که روش پیشنهادی میانگین مصرف انرژی را به ترتیب ۶۰ درصد و ۲۷.۵ درصد، میانگین تاخیر را ۳۵.۷ درصد و ۴۳.۸ درصد نسبت به دو روش پایه کاهش می دهد و نرخ تحویل موفق بسته را به ۹۶.۸ درصد افزایش می دهد. نتایج آزمون تحلیل واریانس یک طرفه تفاوت معنادار آماری میان روش پیشنهادی با روش های پایه را تایید کرد. همچنین تحلیل حساسیت نشان داد که روش پیشنهادی در برابر افزایش تعداد گره ها و ترافیک تداخلی مقاومت بسیار بالاتری دارد. نتیجه نهایی اینکه استفاده از مدل های پیش بینی کننده مبتنی بر یادگیری عمیق در لایه لبه خانه هوشمند، راهکاری کارآمد برای بهبود همزمان مصرف انرژی، تاخیر و قابلیت اطمینان شبکه است.

کلیدواژه ها:

اینترنت اشیا ، خانه هوشمند ، بهینه سازی مصرف انرژی ، شبکه حافظه کوتاه مدت بلندمدت (LSTM) ، تداخل پروتکل های ارتباطی