Посты
Привет, айотовчане! 😉 Буквально вчера у нас с коллегами из Бауманки вышла научная статья…
11 апреля 2025 г. в 9:01•Max Knyazev is typing…Зеркало Telegram
Привет, айотовчане! 😉
Буквально вчера у нас с коллегами из Бауманки вышла научная статья «Динамическое распределение слотов RACH для минимизации коллизий в сетях NB-IoT на основе алгоритмов обучения с подкреплением»🤌
Давайте по порядку расскажу, что, как и зачем
Если вы знакомы с тем, как IoT-устройства работают в сети, то знаете, что они общаются с базовыми станциями через так называемый канал случайного доступа (RACH). Когда устройств становится слишком много, они начинают буквально «сталкиваться» при попытке подключиться. Это — коллизии. А из-за них возрастает задержка передачи данных, увеличивается энергопотребление, и вообще сеть работает нестабильно
И казалось бы, что делать? Вот тут мы как раз с коллегами и выходим со своей статьей…🥳
Мы предложили метод динамического распределения слотов RACH с помощью алгоритмов обучения с подкреплением (Q-learning и DQN). То есть вместо того, чтобы жёстко прописывать правила, мы дали сети возможность «самой» адаптироваться к текущей нагрузке и состоянию. Специальный RL-агент (которого мы написали на Python) наблюдает за ситуацией в сети, оценивает метрики (коллизии, успешные подключения и тд) и предлагает новую конфигурацию слотов, чтобы всё работало стабильнее🙏
Всё это дело мы проверяли в симуляторе NS-3. Смоделировали реальную NB-IoT-сеть: 50 устройств (периодические, спорадические, низкоприоритетные), передающие данные в разное время. Агент взаимодействовал с симулятором каждые 30 секунд и подбирал оптимальные действия. Сравнивали с обычным статическим подходом, где всё заранее фиксировано. А результаты то… (мое почтение):
Коллизии сократились на 74% (да, это реально много)
Успешных подключений стало больше на 16%
Энергопотребление снизилось на 15%
А теперь поговорим, почему это важно😅
Потому что NB-IoT — это не просто умный чайник. Это и промышленные датчики, и логистика, и «умные» счётчики, и медицина. Когда таких устройств становится много, классические подходы перестают работать. А вот адаптивные методы вроде RL — справляются🧠
Мы считаем, что наш подход можно масштабировать под более сложные сценарии, а дальше протестировать на реальном оборудовании. И это уже не просто симуляция, а шаг к реальному улучшению устойчивости IoT-инфраструктуры в городах, на заводах и в других «умных» системах
Я тут самостоятельно решил дальше углубить исследование и… результаты впечатляют, но не буду гнать впереди паровоза. Это уже статья, с которой я буду выступать на научно-практической конференции. В конце месяца расскажу и про это🤝
#интернет_вещей #информационная_безопасность #аспирантура #машинное_обучение #NB_IoT
Открыть исходный пост в TelegramБуквально вчера у нас с коллегами из Бауманки вышла научная статья «Динамическое распределение слотов RACH для минимизации коллизий в сетях NB-IoT на основе алгоритмов обучения с подкреплением»
Давайте по порядку расскажу, что, как и зачем
Если вы знакомы с тем, как IoT-устройства работают в сети, то знаете, что они общаются с базовыми станциями через так называемый канал случайного доступа (RACH). Когда устройств становится слишком много, они начинают буквально «сталкиваться» при попытке подключиться. Это — коллизии. А из-за них возрастает задержка передачи данных, увеличивается энергопотребление, и вообще сеть работает нестабильно
И казалось бы, что делать? Вот тут мы как раз с коллегами и выходим со своей статьей…
Мы предложили метод динамического распределения слотов RACH с помощью алгоритмов обучения с подкреплением (Q-learning и DQN). То есть вместо того, чтобы жёстко прописывать правила, мы дали сети возможность «самой» адаптироваться к текущей нагрузке и состоянию. Специальный RL-агент (которого мы написали на Python) наблюдает за ситуацией в сети, оценивает метрики (коллизии, успешные подключения и тд) и предлагает новую конфигурацию слотов, чтобы всё работало стабильнее
Всё это дело мы проверяли в симуляторе NS-3. Смоделировали реальную NB-IoT-сеть: 50 устройств (периодические, спорадические, низкоприоритетные), передающие данные в разное время. Агент взаимодействовал с симулятором каждые 30 секунд и подбирал оптимальные действия. Сравнивали с обычным статическим подходом, где всё заранее фиксировано. А результаты то… (мое почтение):
Успешных подключений стало больше на 16%
Энергопотребление снизилось на 15%
А теперь поговорим, почему это важно
Потому что NB-IoT — это не просто умный чайник. Это и промышленные датчики, и логистика, и «умные» счётчики, и медицина. Когда таких устройств становится много, классические подходы перестают работать. А вот адаптивные методы вроде RL — справляются
Мы считаем, что наш подход можно масштабировать под более сложные сценарии, а дальше протестировать на реальном оборудовании. И это уже не просто симуляция, а шаг к реальному улучшению устойчивости IoT-инфраструктуры в городах, на заводах и в других «умных» системах
Я тут самостоятельно решил дальше углубить исследование и… результаты впечатляют, но не буду гнать впереди паровоза. Это уже статья, с которой я буду выступать на научно-практической конференции. В конце месяца расскажу и про это
#интернет_вещей #информационная_безопасность #аспирантура #машинное_обучение #NB_IoT