Optimización de Redes de Sensores Inalámbricos mediante Computación Inteligente

Transcripción

1 Optimización de Redes de Sensores Inalámbricos mediante Computación Inteligente Doctorando: Jose M.Lanza-Gutierrez 1 Director: Juan A.Gomez-Pulido 1 Universidad de Extremadura Departamento de Tecnología de Computadores y Comunicaciones Escuela Politécnica, Campus Universitario s/n, Cáceres (España) {jmlanza, jangomez}@unex.es Keywords: computación evolutiva, optimización multiobjetivo, redes de sensores inalámbricos, routers 1. Introducción Este proyecto de tesis aborda el estudio y optimización en el marco de una de las tecnologías de mayor proyección futura dentro del área de las comunicaciones inalámbricas: las redes de sensores inalámbricos [1] (WSNs, del inglés Wireless Sensor Networks), redes que constituyen un tópico de investigación y desarrollo de gran actualidad en los ámbitos académico e industrial. Las redes de sensores inalámbricos aportan importantes ventajas que las presentan como una buena alternativa a otros tipos de redes tradicionales: utilización de dispositivos económicos, ausencia de cableado, bajos costes de despliegue, etc. Estos factores, entre otros, permiten que las WSNs puedan ser desplegadas en entornos en los que el despliegue de otro tipo de redes sería totalmente inviable. De esta forma, podemos encontrar una larga lista de aplicaciones. tanto en entornos civiles como en militares (agricultura intensiva, monitorización medioambiental, control de tráfico, operaciones de rescate, vigilancia,...) [2]. Sin embargo, no todo son ventajas en la utilización de las WSNs, ya que también presentan importantes inconvenientes que aún no han sido resueltos. En esta tesis centramos nuestro esfuerzo en tratar de optimizar algunos de los factores que resultan más atractivos para la industria, como son aquellos que afectan a la calidad de servicio ofrecida y a los costes económicos asociados. En la literatura actual podemos encontrar un gran número de publicaciones que tratan de optimizar las WSNs. La mayoría de ellas estudian las WSNs desde un punto de vista tradicional, donde las redes están compuestas de una serie de sensores que captan información acerca de su entorno y son alimentados por baterías, y por un nodo central que recopila toda la información recibida por los sensores. Como es de esperar, al estar los sensores alimentados por baterías, estas redes tienen una fuerte dependencia del consumo energético. Cada vez que un sensor captura un paquete de información debe enviarlo hacia el nodo colector, lo que implica un desgaste energético. A su vez, es habitual que los sensores se

2 encuentren a varios saltos del nodo central, por lo que el paquete pasaría por sensores intermedios, lo que genera aún un consumo mayor. En los últimos años ha surgido una novedosa línea de investigación, en la que unos nuevos dispositivos especializados en tareas de comunicación han sido incorporados a las WSNs: los routers [2]. Los routers alivian la carga de trabajo de los sensores en tareas de retransmisión, lo que afecta positivamente a aspectos tales como el tiempo de vida de la red, los costes y la calidad de servicio ofrecida, entre otros. Permitiendo además que el tamaño de las WSNs pueda ser incrementado sustancialmente, y por tanto su campo de aplicación. A lo largo de este proyecto de tesis, abordaremos el problema del posicionamiento eficiente de estos nuevos dispositivos a las WSNs tradicionales. 2. Trabajos relacionados El posicionamiento eficiente de WSNs ha sido definido a lo largo de la literatura como un problema de optimización np-completo [3], por lo que podemos encontrar un gran número publicaciones tratando de aportar soluciones. Puesto que la resolución de un problema np-completo requiere de un esfuerzo computacional muy elevado, es necesario la utilización de técnicas no habituales con el propósito de facilitar su resolución. En este trabajo hemos optado por utilizar la computación evolutiva [4] (EC, del inglés Evolutionary Computation). Este conjunto de técnicas avanzadas de computación, se caracteriza por ofrecer resultados de calidad en tiempos de cómputo reducido; sin embargo, el número de trabajos que utilizan estas técnicas para optimizar las WSNs es muy reducido, menos aun si consideramos entre problema desde un punto de vista multiobjetivo, lo cual supone una importante novedad añadida. Si nos centramos en la optimización de las WSNs desde el punto de vista tradicional podemos encontrar un gran número de publicaciones. Por ejemplo, utilizando heurísticas podemos destacar a [3, 5 7], así como utilizando la EC a [8 13]. Optimizando las WSNs con routers podemos encontrar un menor número de publicaciones, por ejemplo utilizando heurísticas a [14 16], y utilizando la EC un menor volumen aún, por ejemplo a [17] y a [18]. 3. Objetivos El principal objetivo de este proyecto de tesis doctoral reside en el despliegue eficiente de routers en WSNs, teniendo en cuenta el mayor número posible de parámetros de la red (cobertura ofrecida, consumo energético, robustez, costes de despliegue), escenarios reales, métodos determinísticos y un amplio conjunto de técnicas de computación avanzadas. Para alcanzar este objetivo principal es necesario abordar previamente una serie de sub-objetivos, como son: la profundización en el conocimiento de las WSNs y el estado del arte actual, el estudio de las diversas técnicas de optimización multiobjetivo disponibles, la aplicación de estas técnicas al despliegue eficiente de WSNs, la creación de nuevos métodos algorítmicos que puedan ser

3 Tarea 1 Tarea 2 Tarea 3 Tarea 4 Tarea 5 Tarea 6 Tarea 1 Tarea 2 Tarea 3 Tarea 4 Tarea 5 Tarea 6 Año 1 Año 2 Año 3 Año 4 Figura 1. Cronograma del proyecto de tesis. extrapolados a otros problemas de optimización, la utilización de la computación paralela (tanto en memoria compartida como en distribuida), así como la difusión intensiva de los resultados de la investigación mediante publicaciones en conferencias de prestigio (IEEE, ACM) y revistas con factor de impacto (ISI), con el objetivo de contribuir al avance del conocimiento y producir trabajo posteriormente utilizable y citado por otros autores. Estos sub-objetivos se traducirán en las tareas a desarrollar en esta tesis. 4. Metodología y Plan de trabajo Todo proyecto de tesis debe seguir una correcta planificación para asegurar que todos y cada uno de los objetivos propuestos puedan alcanzarse. En la figura 4 se puede observar el cronograma que define cada una de las etapas por que pasará este proyecto, cuyas tareas describimos a continuación: Tarea 1: Documentación, diseminación de resultados y formación. Esta tarea es un conjunto de acciones que tienen como fin la preparación y consecución de una tesis doctoral. Incluye el estudio constante, la actualización de conocimientos y tecnologías, y la publicación de resultados mediante la asistencia a congresos científicos y la publicación de artículos en revistas de prestigio. Tarea 2: Definición del problema del despliegue eficiente de redes de sensores inalámbricos. Búsqueda bibliográfica de los diferentes modelos de caracterización de una red inalámbrica de sensores, modelos energéticos a utilizar y definición de los diversos factores susceptibles de ser optimizados en una red esta tipología: definición de las funciones objetivo.

4 Tarea 3: Estudio de los diversas técnicas de resolución de problemas npcomplejos, profundizando en la computación evolutiva. Dentro de esta disciplina contemplamos los dos subtipos más importantes: los algoritmos evolutivos y los algoritmos basados en inteligencia colectiva. Puesto que el problema tratado en este proyecto es multiobjetivo, se estudiarán las diversas medidas de calidad multiobjetivo existentes en la literatura. Tarea 4: Implementación de las metaheurísticas estudiadas en la tarea 2 aplicadas al despliegue eficiente de las WSNs caracterizadas en la tarea 3. Se comenzará utilizando los algoritmos estándares: NSGA-II [19] y SPEA2 [20], y se continuará por novedosos algoritmos basados en inteligencia colectiva (GSA [21], ABC [22],...). Tarea 5: Utilización de la computación paralela (distribuida y de memoria compartida) con el fin de disminuir los tiempos de cómputo necesarios. Tarea 6: Propuesta de una metaheurística propia con los conocimientos obtenidos en las etapas anteriores. El objetivo es que los conocimientos adquiridos a la hora de resolver este problema puedan ser extrapolados a la resolución de otros problemas de optimización multiobjetivo. Los medios necesarios para la realización de este proyecto son: un computador personal, un cluster de computación, el acceso a medios bibliográficos y la financiación necesaria para la asistencia a congresos. 5. Relevancia Tanto la optimización multiobjetivo, como el despliegue eficiente de redes de sensores inalámbricos poseen una buena acogida en la comunidad científica. Ejemplo de ello es el gran número de publicaciones que podemos encontrar en foros de primer nivel (revistas indexadas y congresos internacionales de prestigio), tal y como vimos en la sección 2 (trabajos relacionados). Estos trabajos pueden clasificarse en torno a dos principales líneas de investigación: la optimización de las WSNs tradicionales, y la optimización de las WSNs en las que se incorporan routers, esta última más novedosa y surgida con posterioridad. La mayoría de estos trabajos se centran en la utilización de heurísticas (técnicas especialmente adaptadas al problema que se desea resolver) monoobjetivo. Sin embargo, este problema de optimización, al igual que otros muchos, posee una clara concepción multiobjetivo, puesto que es habitual tener en cuenta múltiples factores a la hora de desplegar una red de esta tipología, como el consumo energético, la robustez o los costes de despliegue, entre otros. Al igual que en otras áreas, hay una clara tendencia hacia la utilización de metaheurísticas (técnicas de resolución de problemas muy generales) multiobjetivo, la cual aún no ha sido muy explotada en la optimización de WSNs, y que por lo tanto, es una interesante línea de investigación aplicada al novedoso campo del posicionamiento eficiente de routers en WSNs. Una muestra de la relevancia académica que aporta este proyecto de tesis es la buena acogida que han tenido los trabajos publicados durante las primeras

5 etapas de ésta, en la que se ha obtenido un total de 4 publicaciones en congresos nacionales, 2 congresos internacionales, 2 capítulos de libros de difusión internacional y una revista con factor de impacto ISI. Es importante destacar que el estudio de las WSNs no solo tiene una gran transcendencia en el ámbito académico. Podemos encontrar grandes empresas en España (Telefonica, General Dynamics, Tecnatom, Lidax, Técnicas Reunidas) que desarrollan aplicaciones comerciales sobre las WSNs. Es por este motivo, por el que se estudiarán las vías necesarias para transferir este conocimiento hacia el ámbito industrial, por ejemplo mediante colaboraciones. Agradecimientos Este trabajo ha sido parcialmente financiado por el Ministerio de Economía y Competitividad y el FEDER (Fondo Europeo de Desarrollo Regional), bajo el proyecto TIN (proyecto BIO), y por el Gobierno de Extremadura, a través de la ayuda GR10025 al grupo TIC015. Referencias 1. Dargie, W., Poellabauer, C.: Fundamentals of Wireless Sensor Networks: Theory and Practice. Wiley (2010) 2. Mukherjee, J.Y.B., Ghosal, D.: Wireless sensor network survey. Computer Networks 52 (2008) Cheng, X., Narahari, B., Simha, R., Cheng, M., Liu, D.: Strong minimum energy topology in wireless sensor networks: Np-completeness and heuristics. IEEE Transactions on Mobile Computing 2 (2003) Zitzler, E.: Evolutionary algorithms for multiobjective optimization: Methods and applications (1999) 5. Cardei, M., Du, D.Z.: Improving wireless sensor network lifetime through power aware organization. Wireless Networks 11 (2005) Zhang, H., Hou, J.: Maintaining Sensing Coverage and Connectivity in Large Sensor Networks. Ad Hoc & Sensor Wireless Networks 1 (2005) 7. Liu, L., Hu, B., Li, L.: Energy conservation algorithms for maintaining coverage and connectivity in wireless sensor networks. IET Communications 4 (2010) Konstantinidis, A., Yang, K.: Multi-objective energy-efficient dense deployment in wireless sensor networks using a hybrid problem-specific moea/d. Applied Soft Computing 11 (2011) Konstantinidis, A., Yang, K.: Multi-objective k-connected deployment and power assignment in wsns using a problem-specific constrained evolutionary algorithm based on decomposition. Computer Communications 34 (2011) Martins, F., Carrano, E., Wanner, E., Takahashi, R., Mateus, G.: A hybrid multiobjective evolutionary approach for improving the performance of wireless sensor networks. IEEE Sensors Journal 11 (2011) Hu, X.M., Zhang, J., Yu, Y., Chung, H.H., Li, Y.L., Shi, Y.H., Luo, X.N.: Hybrid genetic algorithm using a forward encoding scheme for lifetime maximization of wireless sensor networks. IEEE Transactions on Evolutionary Computation 14 (2010)

6 12. Jia, J., Chen, J., Chang, G., Tan, Z.: Energy efficient coverage control in wireless sensor networks based on multi-objective genetic algorithm. Journal of Computers and Mathematics with Applications 57 (2009) Jia, J., Chen, J., Chang, G., Wen, Y., Song, J.: Multi-objective optimization for coverage control in wireless sensor network with adjustable sensing radius. Journal of Computers and Mathematics with Applications 57 (2009) Wang, Q., Xu, K., Takahara, G., Hassanein, H.: Device placement for heterogeneous wireless sensor networks: Minimum cost with lifetime constraints. IEEE Transactions on Wireless Communications 6 (2007) Han, X., Cao, X., Lloyd, E.L., Shen, C.C.: Fault-tolerant relay node placement in heterogeneous wireless sensor networks. IEEE Transactions on Mobile Computing 9 (2010) Xu, K., Hassanein, H., Takahara, G., Wang, Q.: Relay node deployment strategies in heterogeneous wireless sensor networks. IEEE Transactions on Mobile Computing 9 (2010) Zhao, C., Chen, P.: Particle swarm optimization for optimal deployment of relay nodes in hybrid sensor networks. In: Proceedings of IEEE CEC. Volume 1. (2007) Perez, A., Labrador, M., Wightman, P.: A multiobjective approach to the relay placement problem in wsns. In: Proceedings of IEEE WCNC. Volume 1. (2011) Deb, K., Pratap, A., Agarwal, S., Meyarivan, T.: A fast elitist multi-objective genetic algorithm: Nsga-ii. IEEE Transactions on Evolutionary Computation 6 (2000) Zitzler, E., Laumanns, M., Thiele, L.: Spea2: Improving the strength pareto evolutionary algorithm. Technical report, Computer Engineering and Networks Laboratory (TIK), ETH Zurich (2001) 21. Rashedi, E., Nezamabadi-pour, H., Saryazdi, S.: Gsa: A gravitational search algorithm. Information Sciences 179 (2009) Karaboga, D., Basturk, B.: A powerful and efficient algorithm for numerical function optimization: artificial bee colony (abc) algorithm. J. of Global Optimization 39 (2007)