On-Demand Charging Management Model and Its Optimization for Wireless Renewable Sensor Networks

Nowadays, wireless energy transfer (WET) is a new strategy that has the potential to essentially resolve energy and lifespan issues in a wireless sensor network (WSN). We investigate the process of a wireless energy transfer-based wireless sensor network via a wireless mobile charging device (WMCD) and develop a periodic charging scheme to keep the network operative. This paper aims to reduce the overall system energy consumption and total distance traveled, and increase the ratio of charging device vacation time. We propose an energy renewable management system based on particle swarm optimization (ERMS-PSO) to achieve energy savings based on an investigation of the total energy consumption. In this new strategy, we introduce two sets of energies called emin (minimum energy level) and ethresh (threshold energy level). When the first node reaches the emin, it will inform the base station, which will calculate all nodes that fall under ethresh and send a WMCD to charge them in one cycle. These settled energy levels help to manage when a sensor node needs to be charged before reaching the general minimum energy in the node and will help the network to operate for a long time without failing. In contrast to previous schemes in which the wireless mobile charging device visited and charged all nodes for each cycle, in our strategy, the charging device should visit only a few nodes that use more energy than others. Mathematical outcomes demonstrate that our proposed strategy can considerably reduce the total energy consumption and distance traveled by the charging device and increase its vacation time ratio while retaining performance, and ERMS-PSO is more practical for real-world networks because it can keep the network operational with less complexity than other schemes.

Distributed decision making frameworks for resource allocation in cyber-physical systems

Στην προσπάθεια υλοποίησης της πέμπτης γενιάς (5G) ασυρμάτων δικτύων, του Διαδικτύου των Πραγμάτων (Internet of Things) και του Απτού Διαδικτύου (Tactile Internet), η ανάπτυξη έξυπνων μεθόδων επικοινωνίας και υπολογισμού είναι κομβικής σημασίας. Η επόμενη γενιά ασύρματων δικτύων θα χαρακτηρίζεται από περιορισμένη διαθεσιμότητα πόρων, και έτσι στην παρούσα διατριβή προσπαθούμε να αντιμετωπίσουμε το πρόβλημα της αποτελεσματικής διάθεσης αυτών των υπολογιστικών και επικοινωνιακών πόρων, επιτυγχάνοντας παράλληλα υψηλή ποιότητα υπηρεσιών και εμπειρίας για τις συσκευές και τους χρήστες. Λαμβάνοντας υπόψιν την αλληλεξάρτηση των συσκευών, καθώς έχουν πρόσβαση και μοιράζονται κοινούς πόρους, αλλά και λόγω της αυξανόμενης νοημοσύνης που διαθέτουν, η οποία τους επιτρέπει να κάνουν οι ίδιες επιλογές με στόχο το προσωπικό τους όφελος, φαίνεται φυσική η υιοθέτηση μιας πιο ατομοκεντρικής προσέγγισης, η οποία οδηγεί σε πιο αποκεντρωμένες λύσεις. Στην παρούσα διδακτορική διατριβή εξετάσαμε τη δημιουργία πλαισίων λήψης αποφάσεων, όπου οι συσκευές εκμεταλλεύονται τις δυνατότητες του δικτύου προκειμένου να μειώσουν την κατανάλωση πόρων τους και να εκτελέσουν αποτελεσματικότερα τις εργασίες τους. Αρχικά, εξετάσαμε την επέκταση της διάρκειας ζωής της μπαταρίας κινητών συσκευών σε περιβάλλοντα επικοινωνίας μηχανή με μηχανή, προκειμένου να διασφαλιστεί η λειτουργία του συστήματος Διαδικτύου των Πραγμάτων (IoT) για μεγαλύτερο χρονικό διάστημα, λαμβάνοντας υπόψη τη διαχείριση πληροφοριών παρόμοιου περιεχομένου και εστιάζοντας στη χρήση κοινωνικών ιδιοτήτων και χαρακτηριστικών των συσκευών. Για το λόγο αυτό, προτείναμε έναν μηχανισμό συσταδοποίησης που λαμβάνει υπόψη τόσο την φυσική απόσταση και την ενεργειακή διαθεσιμότητα, όσο και το περιεχόμενο των δεδομένων που διαθέτουν, έτσι ώστε να πετύχουμε αποδοτική ομαδοποίηση των συσκευών, καθώς και να ορίσουμε έναν υψηλής ενεργειακής διαθεσιμότητας εκπρόσωπο για κάθε ομάδα. Ο εκπρόσωπος αυτός είναι υπεύθυνος για να παρέχει στις υπόλοιπες συσκευές αρκετή ισχύ για την αποστολή των δεδομένων τους μέσω ασύρματης μεταφοράς ενέργειας (Wireless Energy Transfer), τη συλλογή όλων των πληροφοριών από τις συσκευές της ομάδας του και την προώθησή τους στον σταθμό βάσης για περαιτέρω επεξεργασία. Στη συνέχεια επικυρωθήκαμε στα περιβάλλοντα Υπολογισμού στα Άκρα Πολλαπλής Πρόσβασης (Multi-access Edge Computing), όπου οι διακομιστές προσφέρουν υπολογιστικούς πόρους στους τελικούς κινητούς χρήστες. Μελετήθηκε ένα σενάριο πολλαπλών χρηστών και πολλαπλών διακομιστών στο οποίο οι χρήστες επιθυμούν να αποφορτίσουν μέρος των υπολογιστικών τους εργασιών και οι διακομιστές ορίζουν μια τιμή για την παροχή της υπηρεσίας τους. Ο χρήστης είναι σε θέση να επιλέξει τον διακομιστή στον οποίο θα στείλει τα δεδομένα του, καθώς και τον όγκο των δεδομένων που θα στείλει, ενώ ο διακομιστής θα επιλέξει την τιμή που θα χρεώσει για κάθε εργασία. Για να πετύχουμε την βέλτιστη επιλογή διακομιστή, υιοθετούμε ένα πλαίσιο ενισχυτικής μάθησης βασισμένο στα στοχαστικά αυτόματα, ενώ ο όγκος των δεδομένων καθορίζεται μέσω ενός μη-συνεργατικού παιγνίου μεταξύ των χρηστών, και η βέλτιστη τιμολόγηση καθορίζεται μέσω ενός προβλήματος βελτιστοποίησης. Η ανταλλαγή πληροφοριών μεταξύ χρηστών και διακομιστών διευκολύνεται από έναν ελεγκτή Δικτύωσης Καθορισμένης από Λογισμικό (Software Defined Networking). Στην υπόλοιπη διατριβή, εισάγαμε την έννοια των συμπεριφορικών χαρακτηριστικών των χρηστών, προκειμένου να αποτυπώσουμε το γεγονός ότι οι χρήστες δε λειτουργούν ως ουδέτεροι μεγιστοποιητές, αλλά αντίθετα επιδεικνύουν πιο περίπλοκη συμπεριφορά σε συνθήκες αβεβαιότητας. Μελετάμε ένα περιβάλλον Υπολογισμού στα Άκρα Πολλαπλής Πρόσβασης με πολλούς χρήστες και έναν διακομιστή, ο οποίος θεωρείται ως εύθραυστη πηγή κοινόχρηστων πόρων, και έτσι με βάση τη χρήση του ορίζεται και η πιθανότητα αποτυχίας εκτέλεσης των εργασιών που έχει αναλάβει, με αντίστοιχες απώλειες για τους χρήστες. Το πρόβλημα διαμορφώνεται ως ένα μη-συνεργατικό παίγνιο μεταξύ των χρηστών, με το οποίο οι χρήστες επιλέγουν τον όγκο δεδομένων που θα αποφορτώσουν στον διακομιστή. Προκειμένου να μοντελοποιηθούν αυτά τα συμπεριφορικά χαρακτηριστικά, υιοθετήσαμε τις αρχές της Θεωρίας Προοπτικής και επιλέχθηκε μια πολιτική τιμολόγησης που βασίζεται στη χρήση του διακομιστή από τους χρήστες, με σκοπό να αποτρέπεται η αλόγιστη χρήση του και να μειωθεί η πιθανότητα αποτυχίας του. Τέλος επεκτείναμε την παραπάνω ιδέα σε ένα περιβάλλον πολλαπλών χρηστών και πολλαπλών διακομιστών, όπου εμφανίζονται δυο επιπλέον προβλήματα, το πρόβλημα της επιλογής διακομιστή από τους χρήστες και την επιλογή τιμών από τους διακομιστές. Προκειμένου να αντιμετωπιστεί πιο ολιστικά το πρόβλημα, ορίσαμε την επιλογή διακομιστή και την επιλογή όγκου εκφόρτωσης ως ένα κοινό πρόβλημα βελτιστοποίησης, επιτρέποντας στους χρήστες να επιλέξουν τον συνδυασμό που μεγιστοποιεί την αντιλαμβανόμενη ωφελιμότητά τους. Για να αντιμετωπιστεί το πρόβλημα της επιλογής τιμολόγησης των υπηρεσιών, προτείναμε δύο διαφορετικές προσεγγίσεις, μια βασισμένη στη Θεωρία Παιγνίων, και μια στην ενισχυτική μάθηση, ανάλογα με τη διαθεσιμότητα πληροφορίας στο σύστημα. Το συνολικό πρόβλημα διαμορφώθηκε ως ένα παίγνιο Stackelberg όπου οι διακομιστές έχουν τον ρόλο του ηγέτη, παίρνοντας αποφάσεις για την τιμολόγηση, και οι χρήστες θεωρούνται ως ακόλουθοι, λαμβάνοντας τις αποφάσεις εκφόρτωσης των δεδομένων τους με βάση τη Θεωρία Προοπτικής.