Rate Adaptation and Power Control for IoT Networks With Ambient Energy Harvesting: A Deep Reinforcement Learning Approach
Notice bibliographique
Résumé
In Internet of Things (IoT) networks, ensuring the timely delivery of information is significantly constrained by the limited energy resources of IoT devices and the signal attenuation experienced in wireless channels. In this paper, we investigate resource management for self-sustaining IoT networks with ambient radio frequency (RF) energy harvesting via a spatio-temporal approach. We consider a hard deadline for packet delivery, and we aim to jointly reduce the age of information (AoI) and the packet drop rate due to the hard deadline for packet delivery or buffer overflow. To achieve that, using tools from deep reinforcement learning (DRL) and stochastic geometry, we propose a joint rate adaptation and power control scheme that accounts for the spatial topology of the network and the temporal attributes at the device level. In particular, stochastic geometry is leveraged to characterize the energy harvesting process and the packet transmission success probability for a given transmit rate and power. Furthermore, the joint rate adaptation and power control policy at the device level is obtained using a deep R-network (DRN), which is a DRL algorithm that utilizes a deep neural network to approximate the R-function (the expected average reward). The performances of the last-come-first-served (LCFS) queuing discipline, the first-come-first-served (FCFS) queuing discipline, and a proposed hybrid queuing discipline are compared. For the proposed hybrid queuing discipline, DRL is used not only for rate adaptation and power control but also for specifying the transmission order of generated packets. The presented numerical results demonstrate that the LCFS queuing discipline improves AoI performance, while the FCFS queuing discipline improves packet drop rate. Also, the proposed hybrid queuing discipline strikes an intricate balance between AoI and packet drop rate, and achieves a good performance in both measures compared to the other queuing disciplines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».