모바일 IoT 서비스를 위한 인공지능 기반 LoRaWAN 자원 할당

Abstract

모바일 IoT 서비스를 위한 인공지능 기반 LoRaWAN 자원 할당 본 논문에서는 LoRaWAN (Long Range Wide Area Network)에서 정적 및 모바일 사물 인터넷 (Internet of Things, IoT) 응용 서비스를 위한 ADR (Adaptive Data Rate) 기술을 집중적으로 다루며, 네트워크 환경에서 자원 할당의 복잡성을 해결하고 자 한다. 또한, 데이터 속도 (Data Rate, DR) 관리의 효율성을 극대화함으로써 단말의 배터리 수명 연장 및 네트워크 효율성 향상에 기여할 수 있는 새로운 접근법을 제안 한다. LoRaWAN은 IoT 애플리케이션 요구 사항을 충족하기 위해 ADR과 BADR (Blind ADR)을 각각 사용하여 정지 상태 및 모바일 상태 따라 단말에 자원을 할당한다. 그러 나 이러한 ADR은 하나의 특정 어플리케이션을 위해 설계되었다. 따라서 다양한 IoT 어플리케이션을 수용하기 위해 정적 및 모바일 단말에 자원을 할당하는 모바일 상태 식별 ADR (Mobility Identification ADR, MI-ADR)이라는 새로운 접근 방식을 제안한 다. 제안된 MI-ADR은 딥러닝 기법을 활용하여 단말의 모바일 상태를 식별하고 채널 상황을 고려하여 적절한 DR을 할당한다. 이는 기존 ADR 방식에 비해 향상된 성능을 제공하며, 특히 실시간 모바일 환경에서의 성능을 크게 향상시킨다. 본 논문에서 사전 학습된 모델은 별도의 위치 기반 센서에 의존하지 않고 LoRa 신호를 활용하여 움직임 을 감지한다. 실험 결과에 따르면 MI-ADR은 정적 및 모바일 단말에 동시에 최적으로 자원을 할당하여 ADR 및 BADR에 비해 패킷 성공률을 각각 53% 및 33%까지 향상시켰다.|This thesis focuses on ADR (Adaptive Data Rate) technology for static and mobile IoT (Internet of Things) applications in LoRaWAN (Long Range Wide Aread Network) and attempts to address the complexity of resource allocation in a network environment. In addition, we propose new approaches that can contribute to extending the battery life of devices and improving network efficiency by maximizing the efficiency of DR (Data Rate) management. LoRaWAN assigns resources to static and mobile devices using ADR and blind ADR (BADR) to meet the IoT application requirements, respectively. However, these ADRs are designed for one specific application (e.g., either ADR for static or BADR for mobile devices). Therefore, to accommodate diverse IoT applications, we propose a novel approach called “MI-ADR (Mobility-Identification ADR)” for allocating resources to static and mobile devices. The proposed MI-ADR utilizes deep learning techniques to identify the mobile state of the device and allocates an appropriate DR considering the channel condition. It provides improved performance compared to the existing ADR method and significantly improves performance, especially in real-time mobile environments. In this thesis, the pre-trained model uses LoRa signals to detect movement without relying on a separate location-based sensor. Test results show that MI-ADR optimally allocates resources to static and mobile devices simultaneously, which improves the packet success ratio up to 53% and 33% compared to ADR and BADR, respectively.