Grootschalige energie-efficiënte sensornetwerkroutering met behulp van een kwantumprocessoreenheid

Energiebesparing in sensornetwerken is een zeer kritisch punt geweest in ontwerp¹. Klassieke methoden pakken het probleem normaal gesproken aan met behulp van een ad-hocbenadering 2,3,4,5,6. Dat gezegd hebbende, emuleren deze methoden de sensorknooppunten als individueel beheerde intelligente activa die ook kunnen samenwerken om zowel de belangen van het individu als de gemeenschap te dienen. Vanwege de vluchtige omgeving waarin sensoren werken, worden in sommige werken willekeurige algoritmen geïntroduceerd om de onzekerheden in de omgeving vast te leggen, terwijl in andere werken bio-intelligentie wordt geleend om heuristische algoritmen te bedenken die op gezond verstand aanvaardbare resultaten kunnen bereiken⁷. Om verder te illustreren: voor die willekeurige algoritmen zijn de omgevingsonzekerheden aan de ene kant misschien niet zo willekeurig als de willekeurige volgorde die wordt gegenereerd door een klassieke CPU, aan de andere kant, zelfs als de omgevingsonzekerheden absoluut willekeurig zijn, kunnen ze niet worden vastgelegd door de willekeurige processimulator die wordt gegenereerd door de klassieke CPU; Voor die bio-intelligentie-algoritmen is ten eerste geen rigoureuze wiskundige analyse afgeleid om een conceptueel bewijs te laten werken, ten tweede kan de convergentie naar waarheid of de fouttolerantiegrens alleen worden geconfigureerd op basis van een geïnformeerde grondwaarheid – hoewel een aanzienlijk aantal werken in de literatuur tot op zekere hoogte hebben aangetoond dat deze heuristische algoritmen werken, Ten eerste worden deze algoritmen geanalyseerd (niet gesimuleerd) aan de hand van goed gedefinieerde use case-scenario’s, ze stoppen bij bepaalde criteria die nog steeds de moeite waard zijn om over na te denken in verder onderzoek, ten tweede, zoals eerder gezegd, is een meerderheid van de algoritmen niet gevalideerd tegen softwaresimulatie die gemakkelijker kan worden ingezet in de microprocessors die een sensor tot zijn wezen maken⁸.

We houden hier geen rekening met machine learning (ML) omdat het gebruik moet maken van data-analyse, wat een relatief grote hoeveelheid rekenkracht vereist die niet draagbaar is in sensorapparaten⁹.

Om de bovengenoemde zorgen weg te nemen, bieden we een hybride kwantumalgoritme. Het algoritme is hybride in die zin dat het selectiemechanisme voor clusterkoppen wordt geïmplementeerd met behulp van een klassiek willekeurig algoritme tijdens de routeringsberekeningen die worden uitgevoerd met behulp van een kwantumprocessor zodra de netwerktopologie is ingesteld. De methode wordt als volgt gemotiveerd: (1) Zoals besproken in de eerste paragraaf met betrekking tot de omgevingsonzekerheden, willen we niet verder proberen een kwantumsequentiegenerator toe te passen om de omgevingsdynamiek vast te leggen, omdat deze historisch traceerbaar zou kunnen zijn. De omgevingsdynamiek die historisch traceerbaar is, is gerechtvaardigd door verschillende machine learning-onderzoekswerken in netwerkwetenschap. Voor de huidige fase houden we vast aan de klassieke aanpak. (2) De exacte methode die berust op abstracte wiskundige analyse garandeert dat je tot de waarheid komt. De kwantumexperimentele fysica is tot nu toe geavanceerd ondersteund door de fysische wiskunde. Bovendien hebben er algoritmetoepassingen zoals het Shor-algoritme¹⁰ bestaan om deze afgeronde theorie te bewijzen.

Ter vergelijking wordt hieronder een voldoende hoeveelheid literatuuronderzoek gegeven. Het HEESR-protocol dat¹¹ voorstelt, heeft aantoonbare verdiensten in resultaten, maar de auteurs hebben de configuratieparameters van de simulatie goed gespecificeerd, bijvoorbeeld de exacte willekeurige verdelingsfunctie van de knooppuntpositie, de juiste rechtvaardiging van het clusterkoppercentage p (0,2%) en de schaalparameter voor de verdeling van het energieniveau (1-2 joule) tussen knooppunten a_i. Het verbood de auteur om verder te gaan met het dupliceren van de experimenten en het uitvoeren van de vergelijking. Het Power routing-mechanisme¹² maakt gebruik van de curve-aanpassingsmethode om geconvergeerde continue functies te benaderen op basis van discrete datasets die zijn verkregen uit niet-gespecificeerde steekproefruimte voor determinanten die van invloed zijn op het besluitvormingsproces van de optimale netwerkroutering. De curve-aanpassingsmethode¹³ vereist voorafgaande informatie over de netwerktopologie. Echte omstandigheden hebben misschien geen voorafgaande informatie direct beschikbaar. Zelfs als er eerdere informatie bestaat, is de netwerktopologie mogelijk niet regelmatig genoeg om te kunnen worden toegewezen aan passende curven die afgeleide berekeningen kunnen vergemakkelijken. Volgens dezelfde logica heeft DORAF-protocol¹⁴ niet gerechtvaardigd hoe en waarom de Boltzmann-functie en de logistieke functie moeten worden geleend om de netwerkdeterminanten te benaderen. Ismail et ^al.15 hebben een goede referentie geleverd voor toekomstig onderzoek naar het ontwerpen van energie-efficiënte routeringsprotocollen in het onderwaternetwerk.