Artificial neural network based dynamic forecaster selection in joint forecasting-scheduling for the internet of things / Nesnelerin interneti için bütünleşik tahmin çizelgelemede yapay sinir ağı tabanlı dinamik tahminleyici seçimi

Abstract

Nesnelerin İnterneti'nin (IoT) Devasa Erişim Sorunu, çok sayıda IoT cihazı verilerini bir IoT ağ geçidine aktarmaya çalıştığında, yukarı bağlantı Orta Erişim Kontrolü (MAC) katmanında ortaya çıkar. Yakın zamanda önerilen, yukarı bağlantı trafiğini IoT cihaz trafiği tahminlerine dayalı olarak planlayan tahmine dayalı erişim çözümleri yüksek ağ performansı elde etse de, bu çözümler büyük ölçüde tahmincilerin performansına bağlıdır. Bu nedenle, tahmin şemalarının tasarımı ve seçimi, bu tür tahmine dayalı erişim çözümlerine kitlesel erişim sağlamanın anahtar noktasıdır. Bu amaçla, bu tezde ilk olarak, bir IoT ağ geçidinin kapsama alanındaki IoT cihaz sınıfı kompozisyonu ile bir Yapay Sinir Ağı (YSA) sayesinde elde edilen ağ performansı arasındaki ilişkiyi öykünen bir yapı geliştirdik. Önerilen yapı, devasa erişim sorununa odaklanan önceki yaklaşımların aksine, bir IoT ağ geçidinin kapsama alanındaki olası cihaz popülasyonu için ağ performansını belirtmek için Bütünleşik Tahminleme-Çizelgeleme (JFS) sistemini öykünebilmektedir. İkinci olarak, bu yapıya dayalı olarak, özellikle JFS için tahmine dayalı erişim için en iyi performans gösteren tahmin şemasını seçen bir Dinamik Otomatik Tahminci Seçimi (DAFS) yöntemi geliştirdik. Önerilen yöntem, kapsama alanındaki her cihaz sınıfında değişen sayıda IoT cihazına dinamik olarak uyum sağlayacak şekilde çalışmaktadır. IoT cihazlarını trafik oluşturma modellerine göre dört türe ayırdık: Sabit Bit Periyodik (FBP), Değişken Bit Periyodik (VBP), Sabit Bit Aperiyodik (FBA) ve Değişken Bit Periyodik (VBA). Her bir cihaz sınıfındaki cihaz sayısını DAFS yöntemine besledik. DAFS'nin performansını simülasyonlar aracılığıyla değerlendirdik ve ağ akış verimi ve enerji tüketimi için emülasyon sonuçlarını Hizmet Kalitesi (QoS) metrikleri olarak sunduk. Sonuçlarımız, dinamik olarak değişen bir IoT cihazları bileşimi altında devasa erişim sağlamak için DAFS'nin IoT ağ geçitlerinde pratik uygulama potansiyeline sahip olduğunu göstermektedir. Üçüncü olarak, Devasa Erişim Sorunu için çoklu sinir ağları aracılığıyla bir Veri Füzyon Entegre Ağ Tahmin Şeması Sınıflandırıcı (DFI-NFSC) geliştirdik. Her bir aygıt sınıfı tarafından 24 saatlik bir pencerede üretilen toplam bit sayısı üzerinden ortalama ve standart sapma verileri ile yeni öznitelikler ekleyerek DAFS'nin performansını iyileştirdik. Ayrıca, entegre bir öykünme ve sınıflandırma elde etmek için kademeli sinir ağlarına sahip bir hibrit yapı geliştirdik. Buna ek, modelin kendisini eğiterek verileri analiz etmesi ve çoklu özniteliklerden gerekli bilgileri kullanması için veri füzyonlama/kaynaştırma hedefledik. JFS sisteminin tek bir IoT Ağ Geçidinde öykünmesi ve sonrasında sistemin ARIMA, LSTM ve MLP tahminleyicileri arasında sınıflandırma yoluyla seçilmesini, kendi tasarımımız olan özel bir hata metriğini temel alan ağ akış verimi ve enerji tüketimi sonuçları ile sunduk. Sonuçlar, NFCS yöntemimizin, bir IoT ağ geçidinin kapsama alanındaki dinamik olarak değişen cihaz türlerinin neden olduğu sorunları hafiflettiğini göstermektedir. The Massive Access Problem of the Internet of Things (IoT) occurs at the uplink Medium Access Control (MAC) layer when a massive number of IoT devices seek to transfer their data to an IoT gateway. Although recently proposed predictive access solutions that schedule the uplink traffic based on forecasts of IoT device traffic achieve high network performance, these solutions depend heavily on the performance of forecasters. Hence, the design and selection of forecasting schemes are key to enabling massive access for such predictive access solutions. To this end, in this thesis, first, we develop a framework that emulates the relationship between the IoT device class composition in the coverage area of an IoT gateway and the resulting network performance by virtue of an Artificial Neural Network (ANN). The proposed framework can imitate the JFS system to indicate the network performance for possible device population in the coverage area of an IoT gateway, in contrast to the previous approaches that focus on the massive access problem. Second, based on this framework, we develop a Dynamic Automatic Forecaster Selection (DAFS) method, which selects the best-performing forecasting scheme for predictive access, in particular for Joint Forecasting-Scheduling (JFS). The proposed method operates in a manner that adapts dynamically to a changing number of IoT devices in each device class in the coverage area. We categorize the IoT devices into four types regarding their traffic generation patterns: Fixed-Bit Periodic (FBP), Variable-Bit Periodic (VBP), Fixed-Bit Aperiodic (FBA), and Variable-Bit Aperiodic (VBA). We feed the number of devices in each device class to the DAFS method. We evaluate the performance of DAFS via simulations and show the emulation results for throughput and energy consumption as Quality of Service metrics. Our results imply that DAFS holds the potential for practical implementation at IoT gateways in order to enable massive access under a dynamically changing composition of IoT devices. Third, we develop a Data Fusion Integrated Network Forecasting Scheme Classifier (DFI-NFSC) via multiple neural networks for the Massive Access Problem. We enhance the performance of DAFS by adding new features which are the mean and standard deviation over the total number of bits generated by each device class over a 24-hour window. Furthermore, we develop a hybrid structure that has cascaded neural networks to achieve an integrated emulation and classification. We aim to utilize data fusion for inputs such that the model analyzes data and trains itself by required extracted information from multiple features. We present throughput and energy consumption results based on a custom error metric. Based on the custom error metric, we show the accuracy for the emulation of JFS on a single IoT Gateway and classification between ARIMA, LSTM, and MLP forecasters of JFS. The results show that our DFI-NFSC method alleviates the problems caused by the dynamically changing number of device types in the coverage area of an IoT gateway.