Summary

양자 처리 장치를 사용한 대규모 에너지 효율적인 센서 네트워크 라우팅

Published: September 08, 2023
doi:

Summary

이 연구는 양자 프로세서 장치를 사용하여 네트워크 수명을 최대화하기 위해 문헌의 기존 방법을 능가하는 다양한 트래픽 역학에 대한 경로를 계산하는 방법을 제공합니다.

Abstract

클래식 컴퓨터와 양자 프로세서의 하이브리드 사용인 센서 네트워크 에너지 보존 방법은 클래식 컴퓨터를 사용하는 휴리스틱 알고리즘보다 더 나은 성능을 발휘하는 것으로 입증되었습니다. 이 원고에서는 방법의 중요성에 대한 기술적 맥락을 제시하고 정당화합니다. 그런 다음 실험 단계는 필요한 경우 그림과 함께 작동 순서로 시연됩니다. 이 방법은 무작위로 생성된 네트워크 토폴로지 샘플 세트에서 긍정적인 결과로 검증되었습니다. 이 방법의 성공적인 실험 결과는 센서 네트워크 수명 최대화 문제에 대한 더 나은 접근 방식을 제공했으며 현재 최첨단 양자 프로세서가 문헌의 현재 방법을 무시하는 장점으로 큰 실용적인 엔지니어링 문제를 해결할 수 있음을 입증했습니다. 즉, 양자 우위를 최대한 활용할 수 있습니다. 개념 증명의 단계를 넘어 실현 가능성의 증명으로 넘어갔습니다.

Introduction

센서 네트워크의 에너지 보존은 설계1에서 매우 중요한 문제였습니다. 고전적인 방법은 일반적으로 임시 접근 방식 2,3,4,5,6을 사용하여 문제를 해결합니다. 즉, 이러한 방법은 센서 노드를 개인과 커뮤니티의 이익 모두에 봉사하기 위해 협력할 수 있는 개별적으로 관리되는 지능형 자산으로 에뮬레이트합니다. 센서가 작동하는 불안정한 환경으로 인해 일부 작업에서는 환경의 불확실성을 포착하기 위해 무작위 알고리즘을 도입하는 반면, 다른 작업에서는 상식적으로 수용 가능한 결과를 얻을 수 있는 휴리스틱 알고리즘을 고안하기 위해 생체 지능을 차용합니다7. 더 자세히 설명하자면, 이러한 랜덤 알고리즘의 경우 환경 불확실성은 기존 CPU에 의해 생성된 랜덤 시퀀스만큼 무작위적이지 않을 수 있고, 다른 한편으로는 환경 불확실성이 절대적으로 랜덤하더라도 클래식 CPU에 의해 생성된 랜덤 프로세스 시뮬레이터에 의해 캡처될 수 없습니다. 이러한 생체 지능 알고리즘의 경우, 첫째, 개념적 증명 작업을 수행하기 위한 엄격한 수학적 분석이 도출되지 않았으며, 둘째, 진리에 대한 수렴 또는 오류 허용 경계는 정보에 입각한 실측 자료가 주어졌을 때만 구성될 수 있습니다. 우선, 이러한 알고리즘은 잘 정의된 사용 사례 시나리오에 대해 분석(시뮬레이션되지 않음)되고, 추가 연구에서 여전히 숙고할 가치가 있는 특정 기준에서 멈추고, 다른 하나는 앞서 말했듯이 대부분의 알고리즘이 센서를8로 만드는 마이크로프로세서에 더 쉽게 배포할 수 있는 소프트웨어 시뮬레이션에 대해 검증되지 않았습니다.

여기서 기계 학습(ML)은센서 장치9에서 이식할 수 없는 상대적으로 많은 양의 계산 능력을 필요로 하는 데이터 분석을 사용해야 하기 때문에 고려하지 않는다.

위에서 언급한 문제를 해결하기 위해 하이브리드 양자 알고리즘을 제공합니다. 이 알고리즘은 네트워크 토폴로지가 설정되면 양자 프로세서를 사용하여 수행되는 라우팅 계산 중에 클러스터 헤드 선택 메커니즘이 고전적인 임의 알고리즘을 사용하여 구현된다는 점에서 하이브리드입니다. 이 방법은 다음과 같이 정당화됩니다 : (1) 환경 불확실성에 관한 첫 번째 단락에서 논의 된 바와 같이, 우리는 역사적으로 추적 가능할 수 있기 때문에 환경 역학을 포착하기 위해 양자 시퀀스 생성기를 적용하기 위해 더 이상 노력하고 싶지 않습니다. 역사적으로 추적할 수 있는 환경 역학은 네트워크 과학의 다양한 기계 학습 연구 작업에 의해 정당화되었습니다. 현재 단계에서는 고전적인 접근 방식을 유지합니다. (2) 추상적인 수학적 분석에 의존하는 정확한 방법은 실측 자료에 도달하는 것을 보장합니다. 양자 실험 물리학은 지금까지 물리 수학에 의해 정교하게 지원되었습니다. 더욱이, Shor 알고리즘10 과 같은 알고리즘 응용 프로그램은 이 둥근 이론을 증명하기 위해 존재했습니다.

비교를 위해 적절한 양의 문헌 조사가 아래에 제공됩니다. 제안된HEESR 프로토콜 11 은 결과에서 입증 가능한 장점이 있지만 저자는 노드 위치의 정확한 무작위 분포 함수, 클러스터 헤드 백분율 p(0.2%)의 적절한 정당성 및 노드 a_i 간 에너지 수준 분포(1-2줄)에 대한 스케일링 매개변수와 같은 시뮬레이션 구성 매개변수를 잘 지정했습니다. 저자가 실험을 복제하고 비교를 수행하기 위해 더 이상 진행하는 것을 금지했습니다. 전력 라우팅 메카니즘(12 )은 최적의 네트워크 라우팅의 결정 과정에 영향을 미치는 결정요인에 대해 지정되지 않은 샘플 공간으로부터 수득된 이산 데이터 세트로부터 수렴된 연속 함수를 근사하기 위해 곡선 피팅 방법을 채용한다. 곡선 피팅 방법(13 )은 네트워크 토폴로지에 대한 사전 정보를 필요로 한다. 실제 상황에서는 사전 정보를 쉽게 얻을 수 없을 수 있습니다. 사전 정보가 있더라도 네트워크 토폴로지는 도함수 계산을 용이하게 할 수 있는 피팅 곡선에 매핑할 수 있을 만큼 규칙적이지 않을 수 있습니다. 동일한 논리에 따라, DORAF 프로토콜14 는 네트워크 결정 요인을 근사화하기 위해 볼츠만 함수와 로지스틱 함수를 차용하는 방법과 이유를 정당화하지 않았습니다. Ismail et al.15 은 수중 네트워크에서 에너지 효율적인 라우팅 프로토콜 설계에 대한 향후 연구 노력을 위한 건전한 참고 자료를 제공했습니다.

Protocol

1. Dwave 해양 환경 설정 링크에서 해양 도구를 다운로드하여 설치하십시오 : https://docs.ocean.dwavesys.com/en/stable/overview/install.html터미널에서 python -m venv ocean을 입력합니다. 터미널에서 그림 1과 같이 ocean/bin/activate를 입력합니다. 터미널에서 git clone https://github.com/dwavesystems/dwave-ocean-sdk.git 를 입력합니…

Representative Results

하나의 실행 샘플의 결과를 표 2, 표 3 및 표 4에 나타내었습니다. 세 가지 데이터 배치에 대한 자세한 데이터 집합은 보조 데이터 1 폴더에서 사용할 수 있습니다. 데이터셋 1 반경 50m의 원형 영역에 198개의 노드 하이브?…

Discussion

현재의 최첨단 상용 양자 프로세서는 모든 네트워크 토폴로지1의 계산 문제에서 사용할 수 있습니다. 양자 프로세서 응용 프로그램은 양자 프로세서가 구현할 수 있는 물리적 qbits 수에 의해 제한되지 않습니다.

센서 네트워크 수명 연장 설계에서 결과는 양자 프로세서를 사용하여 훨씬 더 긴 네트워크 수명을 달성하는 방법의 발전을 보여줍니다. 이 결과는…

Divulgations

The authors have nothing to disclose.

Acknowledgements

이 연구는 영국 공학 및 물리 과학 연구 위원회(EPSRC) 보조금 번호 EP/W032643/1의 지원을 받습니다.

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