Mejoramiento del algoritmo ADR en una red de Internet de las Cosas LoRaWAN usando Aprendizaje de Máquina

• Mauricio González-Palacio ^[1] ; Lina María Sepúlveda-Cano ^[1] ; Jhon Quiza-Montealegre ^[1] ; Juan D'Amato ^[2]
  1. [1] Universidad de Medellín

     Universidad de Medellín

     Colombia

     
  2. [2] Universidad Nacional del Centro de la Provincia de Buenos Aires, Argentina
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. 39, 2020, págs. 67-83
• Idioma: español
• Títulos paralelos:
  • Improvement of the algorithm ADR in an Internet of Things network LoRaWAN by using Machine Learning
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El Internet de las Cosas es un paradigma habilitador de la Industria 4.0, donde sensores y actuadores se conectan a Internet. El protocolo LoRaWAN (Long Range Area Network) es uno de los más empleados, y es usado para transmitir información a largas distancias con mínimo consumo energético. Este protocolo implementa el esquema Adaptative Data Rate para mejorar la energía consumida por nodo, que al ser evaluado a través de simulaciones exhaustivas en Omnet++, ha exhibido posibilidades de mejora en el tiempo de convergencia. El presente trabajo muestra una propuesta para el mejoramiento del algoritmo ADR de tal forma que se optimice el consumo energético en redes LoRaWAN. Dentro de la propuesta se comparan diferentes modelos paramétricos y no paramétricos. Los resultados indican que los métodos basados en Máquinas de Vectores de Soporte y en Redes Neuronales Artificiales presentan la mayor exactitud, con un porcentaje por encima del 90% en las estimaciones.

  • English

    The Internet of Things (IoT) is an enabling paradigm for Industry 4.0, where sensors and actuators connect to the Internet. The protocol LoRaWAN (Long Range Area Network) is one of the most used in the IoT, and its primary objective is to transmit sensor information over long distances with minimal energy consumption. This protocol implements Adaptive Data Rate scheme to optimize the energy consumed per node, which, when evaluated through exhaustive simulations in Omnet ++, has exhibited opportunities for improvement in convergence time. The present work shows machine learning models based on parametric and non-parametric methods based on Support Vector Machines (SVM) and Artificial Neural Networks (ANN). The results indicate that the SVM and ANN methods have a success rate greater than 90% in the estimated parameters.