"Ciências Básicas para o Desenvolvimento Sustentável"
24 a 26 de outubro de 2023
Trabalho 19089
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Ciência da computação |
| Setor | Departamento de Informática |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Não |
| Apoio financeiro | CNPq |
| Primeiro autor | Natascha Siqueira Martinez Palhares |
| Orientador | VITOR BARBOSA CARLOS DE SOUZA |
| Título | Maximizando a conectividade em redes veiculares através de handover inteligente entre domínios da névoa |
| Resumo | A computação em névoa é um novo paradigma de redes de computadores e sistemas distribuídos que consegue atender as demandas de comunicação em tempo real com uma conectividade de qualidade e ininterrupta. Isso é possível através do emprego de recursos computacionais disponibilizados na borda da rede, trazendo os serviços da computação em nuvem para mais próximo dos usuários finais, conservando a largura de banda e reduzindo a latência de comunicação. Porém, como o acesso a recursos computacionais presentes na névoa é dependente da localização física, a potencial mobilidade observada em dispositivos na borda torna proibitiva a disponibilidade de recursos compartilhados de forma contínua. Esse trabalho tem como objetivo criar uma estratégia que minimize as desconexões e trocas (handovers) frequentes entre domínios da névoa em redes veiculares, a fim de maximizar a disponibilidade de recursos. Na abordagem proposta, tal estratégia realiza decisões de forma inteligente sobre qual domínio de névoa se conectar por meio de uma Deep Q-Network (DQN), em vez de apenas uma rede neural profunda, visto que os rótulos dos estados neste problema não são gerados facilmente e de forma precisa. Uma DQN é a combinação de uma arquitetura de rede neural profunda com o método Q-Learning que permite o aprendizado em ambientes complexos sem o conhecimento dos rótulos dos estados. Dessa forma, as únicas informações passadas para a DQN são os estados, que são compostos pela relação sinal-ruído (SNR) entre o veículo e cada ponto de acesso (AP) presente na região delimitada, além do AP em que o veículo se encontra conectado, ou seja, o AP é utilizado como ponto de comunicação do veículo com o domínio da névoa correspondente. A vantagem em se utilizar uma DQN é que ela não cria tabelas-Q, como no método clássico de Q-Learning, em que, para cada estado possível, são armazenadas todas as possíveis ações para consulta direta. Em vez disso, a DQN utiliza uma rede neural profunda para aproximar a função Q. A rede neural da DQN recebe o estado como entrada e gera uma saída para cada ação possível, sendo que tal saída representa o valor Q estimado para a respectiva ação. Assim, ao utilizar a técnica de aprendizado supervisionado para atualizar os pesos da rede neural, ela gradualmente aprende a estimar os valores Q para cada ação possível, a partir de um estado dado. Resultados preliminares mostraram que, através do uso de uma DQN com SNR's como entrada, o agente conseguiu aprender que os veículos devem realizar handover entre domínios distintos ao perceber a degradação da SNR relativa ao AP atualmente conectado, buscando um que apresente SNR melhor, assim, evitando desconexões. Ao mesmo tempo, as ações tomadas pelo agente visaram uma redução de handovers desnecessários, aumentando o intervalo de tempo entre trocas. Dessa forma, a conectividade em redes veiculares é ampliada, otimizando a disponibilidade de recursos na névoa. |
| Palavras-chave | Redes neurais, Computação em névoa, Redes veiculares |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|