Lemur Optimized Efficient Spreading Factor Allocation of LoRa Networks for IoT Deployments

أصبحت اتصالات لورا بعيدة المدى ركيزة أساسية في تطبيقات إنترنت الأشياء بفضل قدراتها على الاتصال طويل المدى مع استهلاك منخفض للطاقة، وهي خصائص تجعلها مثالية للانتشار في المناطق النائية والريفية مثل تطبيقات المراقبة الزراعية التي تعتمد على أجهزة استشعار موزعة على مساحات واسعة يصعب تزويدها بالطاقة أو ربطها بشبكات تقليدية، غير أن شبكات لورا تواجه تحديات كبيرة تحد من قابليتها للتوسع ومن قدرتها على نقل البيانات لحظيًا، في مقدمتها ازدحام الشبكة وارتفاع زمن التأخير وعدم كفاءة تخصيص الموارد بين الأجهزة المتنافسة على القنوات ذاتها، وتتناول الدراسة موضوع هذا المقال هذه التحديات عبر نموذج محسن جديد يوظف خوارزمية تحسين مستمدة من سلوك حيوان الليمور في البحث والحركة لتخصيص عامل الانتشار في شبكات لورا بكفاءة أعلى، وعامل الانتشار معامل إرسال حاسم يوازن بين مدى التغطية وسرعة نقل البيانات واستهلاك الطاقة، فتخصيصه الأمثل لكل جهاز يمثل مفتاح تحسين أداء الشبكة كلها

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى رفع سرعة الاتصال في شبكات لورا وتحسين أدائها عبر نموذج محسن يقوم على خوارزمية تحسين الليمور لتخصيص عامل الانتشار، ويعرف النموذج المقترح باسم نموذج لورا المحسن بتخصيص عامل الانتشار الأمثل، وتوظف فيه الخوارزمية لتحسين توزيع عوامل الانتشار على الأجهزة بما يحسن أداء الاتصال ويخفض زمن التأخير ويحفظ الطاقة، مستندة في قراراتها إلى معاملات تشمل نطاق التردد وقدرة الجهاز وعرض النطاق لضمان اتصال قوي ومستقر، وتعالج البيانات المجمعة عبر نظام قائم على شبكة إيثرنت يوفر رؤى بصرية تساعد على اتخاذ القرارات المستنيرة في تطبيقات مثل المراقبة الزراعية، ويكتسب ضبط عامل الانتشار أهميته من كونه قرارًا يؤثر في كل رسالة مرسلة عبر الشبكة، إذ ترفع قيمه العالية مدى التغطية على حساب زمن البث واستهلاك الطاقة، بينما تخفض قيمه المنخفضة زمن البث على حساب المدى، فيغدو التخصيص الذكي لكل جهاز على حدة بديلًا أمثل من التخصيص الموحد لجميع الأجهزة مهما تباينت مواقعها وظروف اتصالها، وقيمت فاعلية الإطار المقترح باستخدام مقاييس أداء رئيسة هي زمن التأخير ونسبة تسليم الحزم ومعدل الإنتاجية واستهلاك الطاقة، وقورن أداؤه بأنظمة قائمة في أدبيات تخصيص موارد شبكات لورا للتحقق من مقدار التحسن الذي يحققه في ظروف تشغيل متماثلة على امتداد مؤشرات القياس المعتمدة

ثانيًا: أبرز النتائج

أظهرت النتائج أن الأسلوب المقترح يحسن أداء الاتصال ويخفض زمن التأخير بفضل توظيف خوارزمية تحسين الليمور في تخصيص عامل الانتشار، وحقق النموذج الجديد تحسينات في معدل الإنتاجية مقارنة بالأنظمة القائمة بلغت 8.1 في المئة مقارنة بنظام ضبط المعدل التكيفي المرجح، و10.5 في المئة مقارنة بنظام مؤشر قوة الإشارة المستلمة، و4.6 في المئة مقارنة بنظام التعلم المعزز لتخصيص الموارد، وهي فروق متسقة الاتجاه عبر المقارنات الثلاث تشير إلى أن التحسين الخوارزمي لتخصيص عامل الانتشار ينعكس مكسبًا حقيقيًا في كمية البيانات المنقولة بنجاح عبر الشبكة في وحدة الزمن، ويقترن ذلك بخفض زمن التأخير وتحسين نسبة تسليم الحزم وحفظ الطاقة، وهي مقاييس تكمل صورة الأداء في الشبكات منخفضة الطاقة التي يمثل كل توفير في الاستهلاك إطالة مباشرة لعمر أجهزة الاستشعار المنتشرة ميدانيًا دون صيانة متكررة

ثالثًا: دلالات الدراسة وتطبيقاتها

تنطوي نتائج الدراسة على دلالات عملية لمصممي شبكات إنترنت الأشياء ومشغليها في البيئات النائية والريفية، فهي تبين أن جانبًا معتبرًا من مشكلات الازدحام والتأخير لا يعود إلى قصور في العتاد بقدر ما يعود إلى سوء تخصيص معاملات الإرسال، وأن خوارزميات التحسين الذكية قادرة على استخراج أداء أعلى من البنية القائمة ذاتها، ويصلح النموذج المقترح تطبيقيًا في شبكات المراقبة الزراعية وغيرها من شبكات الاستشعار واسعة الانتشار التي تتطلب نقلًا موثوقًا للبيانات بأقل طاقة ممكنة، كما يندرج إسهام الدراسة في تيار أوسع يوظف خوارزميات التحسين المستوحاة من الطبيعة في حل مسائل تخصيص الموارد في الشبكات اللاسلكية، وتفتح نتائجها الباب أمام بحوث لاحقة تختبر النموذج في عمليات نشر ميدانية حقيقية واسعة النطاق وتقارن خوارزمية الليمور بغيرها من خوارزميات التحسين الحديثة على الشبكة والظروف ذاتها للتحقق من ثبات التفوق المرصود

وخلاصة القول إن الدراسة تقدم نموذجًا محسنًا لشبكات لورا يقوم على خوارزمية تحسين الليمور في تخصيص عامل الانتشار، ويثبت تفوقه على ثلاثة أنظمة قائمة في معدل الإنتاجية بنسب تراوحت بين 4.6 و10.5 في المئة مع خفض التأخير وحفظ الطاقة، بما يدعم توظيفه في تطبيقات إنترنت الأشياء المنتشرة في المناطق النائية والريفية