Summary

توجيه شبكة مستشعر موفر للطاقة على نطاق واسع باستخدام وحدة معالج كمومي

Published: September 08, 2023
doi:

Summary

توفر هذه الدراسة طريقة لاستخدام وحدة المعالج الكمي لحساب المسارات لديناميكيات حركة المرور المختلفة التي تعمل على التفوق على الطرق الكلاسيكية في الأدب لزيادة عمر الشبكة إلى أقصى حد.

Abstract

أثبتت طريقة الحفاظ على طاقة شبكة المستشعر ، وهي عبارة عن مزيج استخدام للكمبيوتر الكلاسيكي والمعالج الكمومي ، أنها تعمل بشكل أفضل من الخوارزمية الإرشادية باستخدام الكمبيوتر الكلاسيكي. في هذه المخطوطة ، يتم تقديم السياق الفني لأهمية الطريقة وتبريره. ثم يتم عرض الخطوات التجريبية في تسلسل تشغيلي مع الرسوم التوضيحية إذا لزم الأمر. تم التحقق من صحة الطريقة من خلال النتائج الإيجابية عبر مجموعة عينة تم إنشاؤها عشوائيا من طبولوجيا الشبكة. قدمت النتائج التجريبية الناجحة لهذه الطريقة نهجا أفضل لمشاكل تعظيم عمر شبكة المستشعر وأظهرت أن المعالج الكمومي الحالي كان قادرا على حل المشكلات الهندسية العملية الكبيرة بمزايا تتجاوز الأساليب الحالية في الأدبيات. بمعنى آخر ، يمكن استغلال الميزة الكمومية بأفضل الجهود. لقد تجاوز مرحلة إثبات المفهوم إلى إثبات الجدوى.

Introduction

كان الحفاظ على الطاقة في شبكات الاستشعار قضية حرجة للغاية في التصميم1. عادة ما تعالج الطرق الكلاسيكية المشكلة باستخدام نهج مخصص2،3،4،5،6. ومع ذلك ، فإن هذه الأساليب تحاكي عقد المستشعر كأصول ذكية مدارة بشكل فردي يمكن أن تتعاون أيضا لخدمة مصالح الفرد والمجتمع. نظرا للبيئة المتقلبة حيث تعمل المستشعرات ، في بعض الأعمال ، يتم إدخال خوارزميات عشوائية من أجل التقاط أوجه عدم اليقين البيئية ، بينما في حالات أخرى ، يتم استعارة الذكاء الحيوي لابتكار خوارزميات إرشادية يمكن أن تحقق نتائج مقبولة من الفطرةالسليمة 7. لمزيد من التوضيح ، بالنسبة لتلك الخوارزميات العشوائية ، من ناحية ، قد لا تكون أوجه عدم اليقين البيئية عشوائية مثل التسلسل العشوائي الناتج عن وحدة المعالجة المركزية الكلاسيكية ، من ناحية أخرى ، حتى لو كانت أوجه عدم اليقين البيئية عشوائية تماما ، لا يمكن التقاطها بواسطة محاكي العملية العشوائية الناتجة عن وحدة المعالجة المركزية الكلاسيكية ؛ بالنسبة لخوارزميات الذكاء الحيوي هذه ، أولا وقبل كل شيء ، لم يتم اشتقاق أي تحليل رياضي صارم لعمل دليل مفاهيمي ، وثانيا ، لا يمكن تكوين التقارب إلى الحقيقة أو حدود التسامح مع الخطأ إلا في ضوء حقيقة أرضية مستنيرة – على الرغم من أن كمية كبيرة من الأعمال في الأدب قد أثبتت إلى حد ما أن هذه الخوارزميات الإرشادية تعمل ، لسبب واحد ، يتم تحليل هذه الخوارزميات (وليس محاكاة) مقابل سيناريوهات حالة استخدام محددة جيدا ، فهي تتوقف عند معايير معينة لا تزال تستحق التفكير في مزيد من البحث ، لسبب آخر ، كما قيل من قبل ، لم يتم التحقق من صحة غالبية الخوارزميات مقابل محاكاة البرامج التي يمكن نشرها بسهولة أكبر في المعالجات الدقيقة التي تجعل المستشعر في كونه8.

نحن لا نعتبر التعلم الآلي (ML) هنا لأنه يحتاج إلى استخدام تحليلات البيانات التي تتطلب حجما كبيرا نسبيا من الطاقة الحسابية غير المحمولة في أجهزة الاستشعار9.

لمعالجة المخاوف المذكورة أعلاه ، نقدم خوارزمية كمومية هجينة. الخوارزمية مختلطة من حيث أن آلية اختيار رأس الكتلة يتم تنفيذها باستخدام خوارزمية عشوائية كلاسيكية أثناء حسابات التوجيه التي يتم إجراؤها باستخدام معالج كمي بمجرد إعداد طوبولوجيا الشبكة. الطريقة مبررة على النحو التالي: (1) كما تمت مناقشته في الفقرة الأولى فيما يتعلق بعدم اليقين البيئي ، لا نريد أن نسعى أكثر لتطبيق مولد تسلسل كمي لالتقاط الديناميكية البيئية لأنه قد يكون من الممكن تتبعه تاريخيا. تم تبرير الديناميكية البيئية التي يمكن تتبعها تاريخيا من خلال العديد من أعمال أبحاث التعلم الآلي في علوم الشبكات. بالنسبة للمرحلة الحالية ، نبقى مع النهج الكلاسيكي. (2) الطريقة الدقيقة التي تعتمد على التحليل الرياضي المجرد تضمن الوصول إلى الحقيقة الأساسية. تم دعم الفيزياء التجريبية الكمومية حتى الآن بشكل متطور من خلال الرياضيات الفيزيائية. علاوة على ذلك ، توجد تطبيقات خوارزمية مثل خوارزمية Shor10 لإثبات هذه النظرية المستديرة.

يتم توفير قدر كاف من مسح الأدبيات أدناه للمقارنة. بروتوكول HEESR المقترح11 له مزايا يمكن إثباتها في النتائج ، لكن المؤلفين حددوا معلمات تكوين المحاكاة جيدا ، على سبيل المثال ، وظيفة التوزيع العشوائي الدقيقة لموضع العقدة ، والتبرير المناسب لنسبة رأس الكتلة p (0.2٪) ، ومعلمة القياس لتوزيع مستوى الطاقة (1-2 جول) بين العقد a_i. ومنعت المؤلف من المضي قدما في تكرار التجارب وإجراء المقارنة. تستخدم آلية توجيه الطاقة12 طريقة تركيب المنحنى لتقريب الوظائف المستمرة المتقاربة من مجموعات البيانات المنفصلة التي تم الحصول عليها من مساحة عينة غير محددة للمحددات التي تؤثر على عملية اتخاذ القرار لتوجيه الشبكة الأمثل. تتطلب طريقة تركيب المنحنى13 معلومات مسبقة عن طوبولوجيا الشبكة. قد لا يكون للظروف الحقيقية معلومات مسبقة متاحة بسهولة. حتى في حالة وجود معلومات مسبقة ، قد لا تكون طوبولوجيا الشبكة منتظمة بما يكفي لتتمكن من تعيينها على منحنيات مناسبة قادرة على تسهيل الحساب المشتق. باتباع نفس المنطق ، لم يبرر بروتوكول DORAF14 كيف ولماذا استعارة وظيفة بولتزمان والوظيفة اللوجستية لتقريب محددات الشبكة. قدم Ismail et al.15 مرجعا سليما للمساعي البحثية المستقبلية في تصميم بروتوكول التوجيه الموفر للطاقة في الشبكة تحت الماء.

Protocol

1. إعداد بيئة المحيط Dwave قم بتنزيل وتثبيت أدوات المحيط من الرابط: https://docs.ocean.dwavesys.com/en/stable/overview/install.htmlفي المحطة ، اكتب python -m venv ocean. في المحطة ، اكتب . ocean / bin / activate ، كما هو موضح في الشكل 1. في المحطة ، اكتب git clone https://github.com/dwavesyst…

Representative Results

يتم عرض النتائج من عينة تشغيل واحدة في الجدول 2 والجدول 3 والجدول 4. ومجموعات البيانات التفصيلية للدفعات الثلاث من البيانات متاحة في مجلد البيانات التكميلية 1 . مجموعة البيانات 1<…

Discussion

يمكن استخدام المعالج الكمومي التجاري المتطور الحالي في المشكلات الحسابية لأي طوبولوجيا شبكة1. تطبيق المعالج الكمومي غير مقيد بعدد الكيوبتات المادية التي تمكن أي من المعالجات الكمومية من تنفيذها.

في تصميم إطالة عمر شبكة المستشعر ، تظهر النتائج تقدما في الطريق…

Divulgations

The authors have nothing to disclose.

Acknowledgements

يتم دعم العمل من قبل مجلس أبحاث العلوم الهندسية والفيزيائية في المملكة المتحدة (EPSRC) رقم المنحة EP / W032643 / 1.

Materials

Dell Laptop Dell N/A
Ubuntu 18.04.6 LTS Canonical Ltd 18.04.6 LTS
Python3.8 Python Software Foundation 3.8.0
Dwave QPU Dwave https://docs.ocean.dwavesys.com/en/stable/overview/install.html

References

  1. Chen, J., Date, P., Chancellor, N., Atiquazzaman, M., Cormac, S. Controller-based energy-aware wireless sensor network routing using quantum algorithms. IEEE Transactions on Quantum Engineering. 3, 1-12 (2022).
  2. Lin, H., Uster, H. Exact and heuristic algorithms for data-gathering cluster-based wireless sensor network design problem. IEEE/ACM Transactions on Networking. 22 (3), 903-916 (2014).
  3. Zhou, Y., Wang, N., Xiang, W. Clustering hierarchy protocol in wireless sensor networks using an improved PSO algorithm. IEEE Access. 5, 2241-2253 (2017).
  4. Seah, W. K. G., Mak, N. H. How long is the lifetime of a wireless sensor network. , 763-770 (2009).
  5. Salahud din, M., Rehman, M. A. U., Ullah, R., Park, C., Kim, B. S. Towards network lifetime enhancement of resource constrained IoT devices in heterogeneous wireless sensor networks Sensors. 20, 4156 (2020).
  6. Wu, W., Xiong, N., Wu, C. Improved clustering algorithm based on energy consumption in wireless sensor networks. IET Network. 6 (3), 7-53 (2017).
  7. Kumar, N., Kumar, V., Ali, T., Ayaz, M. Prolong network lifetime in the wireless sensor networks: An improved approach. Arabian Journal for Science and Engineering. 46, 3631-3651 (2021).
  8. Faris, H., Aljarah, I., Al-Betar, M. A., Mirjalili, S. Grey wolf optimizer: A review of recent variants and applications. Neural Computing and Applications. 30, 413-435 (2018).
  9. Kaur, J., Arifkhan, M., Iftikhar, M., Imran, M., Haq, A. Machine learning techniques for 5G and beyond. IEEEAccess. 9, 23472-23488 (2021).
  10. Shor, P. Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum computer. SIAMJournalonComputing. 26 (5), 1484-1509 (1997).
  11. Qabouche, H., Sahel, A., Badri, A. Hybrid energy efficient static routing protocol for homogeneous and heterogeneous large scale WSN. Wireless Networks. 27, 575-587 (2021).
  12. Farooq, M., et al. POWER: probabilistic weight-based energy-efficient cluster routing for large-scale wireless sensor networks. The Journal of Supercomputing. 78, 12765-12791 (2022).
  13. Maddams, W. F. The scope and limitations of curve fitting. Applied Spectroscopy. 34 (3), 245-267 (1980).
  14. Wang, X., et al. A dynamic opportunistic routing protocol for asynchronous duty-cycled WSNs. IEEE Transactions on Sustainable Computing. , (2023).
  15. Ismail, A. S., Wang, X., Hawbani, A., Alsamhi, S., Aziz, S. Routing protocols classification for underwater wireless sensor networks based on localization and mobility. Wireless Networks. 28, 797-826 (2022).
  16. Garcia-Martin, E., Rodrigues, C. F., Riley, G., Grahn, H. Estimation of energy consumption in machine learning. Journal of Parallel Distributed Computing. 134, 75-88 (2019).
  17. Egger, D. J., et al. Quantum computing for finance: State-of-the-art and future prospects. IEEE Transactions on Quantum Engineering. 1, 1-24 (2020).
  18. Rasool, R. U., Ahmad, H. F., Rafique, W., Qayyum, A., Qadir, J. Quantum computing for healthcare : A review. TechRxiv. , (2021).

Play Video

Citer Cet Article
Chen, J. Large Scale Energy Efficient Sensor Network Routing Using a Quantum Processor Unit. J. Vis. Exp. (199), e64930, doi:10.3791/64930 (2023).

View Video