The wireless Internet of Things (IoT) är ett nätverk av enheter där varje enhet direkt kan skicka information till en annan via trådlösa kommunikationskanaler, utan mänsklig inblandning. Med antalet IoT-enheter ökar varje dag, mängden information på trådlösa kanaler ökar också. Detta orsakar överbelastning i nätverket, leder till förlust av information på grund av störningar och misslyckande med informationsleverans. Forskning för att lösa detta problem med trafikstockningar pågår, och den mest accepterade och tillämpade lösningen är "multi-channel" teknologi. Med denna teknik, informationsöverföringen fördelas mellan olika parallella kanaler baserat på trafiken i en viss kanal vid en given tidpunkt.

Men, för närvarande, optimala informationsöverföringskanaler väljs med hjälp av algoritmer som inte kan stödjas av de flesta befintliga IoT-enheter eftersom dessa är resursbegränsade; dvs. de har låg lagringskapacitet och låg processorkraft, och måste vara energibesparande samtidigt som den är i drift under långa perioder.

I en nyligen publicerad studie publicerad i Tillämpade vetenskaper , en grupp forskare från Tokyo University of Science och Keio University, Japan, föreslå användning av en maskininlärningsalgoritm, baserat på dragkampsmodell (vilket är en grundläggande modell, tidigare föreslagen av professor Song-Ju Kim från Keio University, som används för att lösa sådana problem som hur man distribuerar information över kanaler), för att välja kanaler. "Vi insåg att den här algoritmen kunde tillämpas på IoT-enheter, och vi bestämde oss för att implementera det och experimentera med det, " Professor Mikio Hasegawa, ledande forskare från Tokyo University of Science, säger.

I deras studie, de byggde ett system där flera IoT-enheter var anslutna för att bilda ett nätverk och varje enhet kunde bara välja en av flera tillgängliga kanaler för att överföra information varje gång. Dessutom, varje enhet var resursbegränsad. I experimentet, enheterna fick i uppdrag att vakna, överföra en bit information, gå till sängs, och sedan upprepa cykeln ett visst antal gånger. Rollen för den föreslagna algoritmen var att göra det möjligt för enheterna att välja den optimala kanalen varje gång, så att i slutet, det högsta möjliga antalet lyckade sändningar (dvs. när all information når sin destination i ett stycke) har ägt rum.

Algoritmen kallas förstärkningsinlärning och den går till uppgiften enligt följande:varje gång en bit information överförs genom en kanal, den noterar sannolikheten för att uppnå framgångsrika sändningar via den kanalen, baserat på om informationen helt och korrekt når sin destination. Den uppdaterar dessa data vid varje efterföljande överföring.

Forskarna använde denna inställning för att också kontrollera a) om algoritmen var framgångsrik, b) om den var opartisk i sitt val av kanaler, och c) om den skulle kunna anpassa sig till trafikvariationer i en kanal. För testerna, ett ytterligare styrsystem konstruerades där varje enhet tilldelades en viss kanal och den inte kunde välja någon annan kanal vid sändning av information. I det första fallet, vissa kanaler var överbelastade innan experimentet började, och forskarna fann att antalet framgångsrika överföringar var större när algoritmen användes, till skillnad från när det inte var det. I det andra fallet, vissa kanaler blev överbelastade när algoritmen inte användes, och information kunde inte överföras genom dem efter en viss tid, orsakar "orättvisa" i kanalvalet. Dock, när forskarna använde algoritmen, kanalvalet befanns vara rättvist. Resultaten för det tredje fallet förtydligar resultaten för de två föregående fallen:när algoritmen användes, enheter började automatiskt ignorera en överbelastad kanal och återanvände den först när trafiken i den minskade.

"Vi uppnådde kanalval med en liten mängd beräkningar och en högpresterande maskininlärningsalgoritm, " Prof Hasegawa berättar för oss. Även om detta betyder att algoritmen framgångsrikt löste kanalvalsproblemet under experimentella förhållanden, hur det går i den verkliga världen återstår att se. "Fältexperiment för att testa robustheten hos denna algoritm kommer att utföras i ytterligare forskning, " säger forskarna. De planerar också att förbättra algoritmen i framtida forskning genom att ta hänsyn till andra nätverksegenskaper, såsom kanalöverföringskvalitet.

Världen går snabbt mot massiva trådlösa IoT-nätverk med ett ökande antal enheter som ansluter över trådlösa kanaler globalt. Varje tänkbar organisation eller forskare tar tillfället i akt i detta ögonblick i tidens historia för att lösa kanalvalsproblemet och komma före i spelet. Prof Hasegawa och hans team har lyckats ta ett av de första stegen i loppet. Framtiden för höghastighet, felfri trådlös informationsöverföring kan vara nära!