ניתוב רשת חיישנים חסכוני באנרגיה בקנה מידה גדול באמצעות יחידת מעבד קוונטי
Summary
מחקר זה מספק שיטה לשימוש ביחידת מעבד קוונטי כדי לחשב את המסלולים עבור דינמיקות תעבורה שונות הפועלות כדי להשיג ביצועים טובים יותר משיטות קלאסיות בספרות כדי למקסם את חיי הרשת.
Abstract
שיטת שימור האנרגיה של רשת החיישנים, שהיא הכלאה של מחשב קלאסי ומעבד קוונטי, הוכיחה ביצועים טובים יותר מאלגוריתם היוריסטי המשתמש במחשב קלאסי. בכתב יד זה מוצג ומוצדק ההקשר הטכני למשמעות השיטה. לאחר מכן שלבי הניסוי מודגמים ברצף מבצעי עם איורים במידת הצורך. השיטה אומתה על ידי תוצאות חיוביות על פני קבוצת מדגם שנוצר באופן אקראי של טופולוגיות רשת. תוצאות הניסוי המוצלחות של שיטה זו סיפקו גישה טובה יותר לבעיות מקסום חיי רשת חיישנים והראו כי המעבד הקוונטי החדיש הנוכחי הצליח לפתור בעיות הנדסיות מעשיות גדולות עם יתרונות העוקפים את השיטות הנוכחיות בספרות. במילים אחרות, ניתן לנצל את היתרון הקוונטי למאמצים הטובים ביותר. זה עבר משלב הוכחת ההיתכנות לשלב הוכחת היתכנות.
Introduction
שימור אנרגיה ברשתות חיישנים היה נושא קריטי מאוד בתכנון1. שיטות קלאסיות בדרך כלל להתמודד עם הבעיה באמצעות גישה אד הוק 2,3,4,5,6. עם זאת, שיטות אלה מחקות את צמתי החיישנים כנכסים חכמים המנוהלים בנפרד שיכולים גם לשתף פעולה כדי לשרת הן את האינטרסים של הפרט והן של הקהילה. בשל הסביבה התנודתית שבה חיישנים עובדים, בחלק מהעבודות, אלגוריתמים אקראיים מוצגים על מנת ללכוד את אי הוודאות הסביבתית, בעוד שבאחרים, אינטליגנציה ביולוגית מושאלת כדי לפתח אלגוריתמים היוריסטיים שיכולים להשיג תוצאות מקובלות השכל הישר7. כדי להמחיש עוד, עבור אותם אלגוריתמים אקראיים, מצד אחד, אי ודאויות סביבתיות עשויות שלא להיות אקראיות כמו הרצף האקראי שנוצר על ידי מעבד קלאסי, מצד שני, גם אם אי הוודאות הסביבתית היא אקראית לחלוטין, הם לא יכולים להילכד על ידי סימולטור התהליך האקראי שנוצר על ידי המעבד הקלאסי; עבור אותם אלגוריתמים של אינטליגנציה ביולוגית, ראשית, לא נגזר ניתוח מתמטי קפדני כדי לגרום להוכחה מושגית לעבוד, שנית, ההתכנסות לאמת או גבול סובלנות השגיאה יכולים להיות מוגדרים רק בהינתן אמת קרקעית מושכלת – אם כי כמות משמעותית של עבודות בספרות הוכיחו במידה מסוימת כי אלגוריתמים היוריסטיים אלה עובדים, ראשית, אלגוריתמים אלה מנותחים (לא מדומים) מול תרחישי מקרה שימוש מוגדרים היטב, הם נעצרים בקריטריונים מסוימים שעדיין שווה להרהר בהם במחקר נוסף, עבור דבר אחר, כאמור, רוב האלגוריתמים לא אומתו מול סימולציית תוכנה שניתן לפרוס בקלות רבה יותר במיקרו-מעבדים שהופכים חיישן להיות8 שלו.
אנחנו לא מתייחסים כאן ללמידת מכונה (ML) כי היא צריכה להשתמש בניתוח נתונים שדורש נפח גדול יחסית של כוח חישובי שאינו נייד במכשירי חיישנים9.
כדי לענות על החששות שהוזכרו לעיל, אנו מספקים אלגוריתם קוונטי היברידי. האלגוריתם הוא היברידי בכך שמנגנון בחירת ראש האשכול מיושם באמצעות אלגוריתם אקראי קלאסי במהלך חישובי הניתוב המבוצעים באמצעות מעבד קוונטי לאחר הגדרת טופולוגיית הרשת. השיטה מוצדקת באופן הבא: (1) כפי שנדון בפסקה הראשונה בנוגע לאי-הוודאות הסביבתית, איננו רוצים להמשיך וליישם מחולל רצפים קוונטיים כדי ללכוד את הדינמיקה הסביבתית מכיוון שניתן לעקוב אחריה מבחינה היסטורית. הדינמיקה הסביבתית שניתן לעקוב אחריה היסטורית מוצדקת על ידי עבודות מחקר שונות של למידת מכונה במדעי הרשתות. בשלב הנוכחי אנחנו נשארים עם הגישה הקלאסית. (2) השיטה המדויקת המסתמכת על ניתוח מתמטי מופשט מבטיחה להגיע לאמת בסיסית. פיזיקה ניסויית קוונטית נתמכה עד כה בצורה מתוחכמת על ידי מתמטיקה פיזיקלית. יתר על כן, יישומי אלגוריתמים כמו אלגוריתם שור10 קיימים כדי להוכיח את התיאוריה המעוגלת הזו.
כמות מספקת של סקר ספרות מובאת להלן לשם השוואה. לפרוטוקול HEESR המוצע11 יש יתרונות מוכחים בתוצאות, אך המחברים ציינו היטב את פרמטרי תצורת הסימולציה, לדוגמה, פונקציית ההתפלגות האקראית המדויקת של מיקום הצומת, ההצדקה הנכונה של אחוז ראש האשכול p (0.2%), ופרמטר קנה המידה להתפלגות רמת האנרגיה (1-2 ג’אול) בין צמתים a_i. היא אסרה על המחבר להמשיך הלאה כדי לשכפל את הניסויים ולערוך את ההשוואה. מנגנון ניתוב הספק12 משתמש בשיטת התאמת העקומה כדי להעריך בקירוב פונקציות רציפות אחודות מערכות נתונים נפרדות המתקבלות ממרחב מדגם לא מוגדר עבור דטרמיננטים המשפיעים על תהליך ההחלטה של ניתוב הרשת האופטימלי. שיטת התאמת העקומה13 דורשת מידע מוקדם על טופולוגיית הרשת. בנסיבות אמיתיות ייתכן שלא יהיה מידע מוקדם זמין. גם כאשר קיים מידע מוקדם, טופולוגיית הרשת עשויה שלא להיות סדירה מספיק כדי שניתן יהיה למפות אותה לעקומות מתאימות המסוגלות להקל על חישוב נגזר. בהתאם לאותו היגיון, פרוטוקול DORAF14 לא הצדיק כיצד ומדוע לשאול את פונקציית בולצמן ואת הפונקציה הלוגיסטית כדי לקרב את קובעי הרשת. איסמעיל ואחרים 15 סיפקו התייחסות טובה למאמצי מחקר עתידיים לתכנון פרוטוקולי ניתוב חסכוניים באנרגיה ברשת התת-ימית.
Protocol
Representative Results
Discussion
המעבד הקוונטי המסחרי החדיש הנוכחי יכול לשמש בבעיות חישוביות של כל טופולוגיית רשת1. יישום מעבד קוונטי אינו מוגבל על ידי מספר ה-qbits הפיזיים שאף אחד מהמעבדים הקוונטיים הצליח ליישם.
בתכנון הארכת חיי רשת חיישנים, התוצאות מראות התקדמות בשיטה להשגת חיי רשת ארוכים עוד …
Disclosures
The authors have nothing to disclose.
Acknowledgements
העבודה נתמכת על ידי מועצת המחקר להנדסה ומדעי הפיזיקה של בריטניה (EPSRC) מענק מספר 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
- 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).
- 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).
- Zhou, Y., Wang, N., Xiang, W. Clustering hierarchy protocol in wireless sensor networks using an improved PSO algorithm. IEEE Access. 5, 2241-2253 (2017).
- Seah, W. K. G., Mak, N. H. How long is the lifetime of a wireless sensor network. , 763-770 (2009).
- 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).
- Wu, W., Xiong, N., Wu, C. Improved clustering algorithm based on energy consumption in wireless sensor networks. IET Network. 6 (3), 7-53 (2017).
- 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).
- 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).
- Kaur, J., Arifkhan, M., Iftikhar, M., Imran, M., Haq, A. Machine learning techniques for 5G and beyond. IEEEAccess. 9, 23472-23488 (2021).
- Shor, P. Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum computer. SIAMJournalonComputing. 26 (5), 1484-1509 (1997).
- 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).
- 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).
- Maddams, W. F. The scope and limitations of curve fitting. Applied Spectroscopy. 34 (3), 245-267 (1980).
- Wang, X., et al. A dynamic opportunistic routing protocol for asynchronous duty-cycled WSNs. IEEE Transactions on Sustainable Computing. , (2023).
- 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).
- 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).
- 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).
- Rasool, R. U., Ahmad, H. F., Rafique, W., Qayyum, A., Qadir, J. Quantum computing for healthcare : A review. TechRxiv. , (2021).
