L'Internet des objets sans fil (IoT) est un réseau d'appareils dans lequel chaque appareil peut envoyer directement des informations à un autre via des canaux de communication sans fil, sans intervention humaine. Le nombre d'appareils IoT augmentant chaque jour, la quantité d'informations sur les canaux sans fil augmente également. Cela provoque une congestion sur le réseau, entraînant une perte d'informations due à des interférences et à l'échec de la livraison des informations. Des recherches pour résoudre ce problème de congestion sont en cours, et la solution la plus largement acceptée et appliquée est la technologie « multicanal ». Avec cette technologie, la transmission d'informations est répartie entre divers canaux parallèles en fonction du trafic dans un canal particulier à un moment donné.

Mais, maintenant, les canaux de transmission d'informations optimaux sont sélectionnés à l'aide d'algorithmes qui ne peuvent pas être pris en charge par la plupart des appareils IoT existants car ceux-ci sont limités en ressources ; c'est à dire., ils ont une faible capacité de stockage et une faible puissance de traitement, et doit être économe en énergie tout en restant en fonctionnement pendant de longues périodes.

Dans une étude récente publiée dans Sciences appliquées , un groupe de scientifiques de l'Université des sciences de Tokyo et de l'Université Keio, Japon, proposer l'utilisation d'un algorithme de machine learning, basé sur modèle de tir à la corde (qui est un modèle fondamental, précédemment proposé par le professeur Song-Ju Kim de l'Université Keio, qui est utilisé pour résoudre des problèmes tels que celui de la distribution de l'information à travers les canaux), pour sélectionner les chaînes. « Nous avons réalisé que cet algorithme pouvait être appliqué aux appareils IoT, et nous avons décidé de l'implémenter et de l'expérimenter, " Professeur Mikio Hasegawa, le scientifique principal de l'Université des sciences de Tokyo, dit.

Dans leur étude, ils ont construit un système dans lequel plusieurs appareils IoT étaient connectés pour former un réseau et chaque appareil ne pouvait sélectionner qu'un des nombreux canaux disponibles pour transmettre des informations à chaque fois. De plus, chaque appareil était limité en ressources. Dans l'expérience, les appareils étaient chargés de se réveiller, transmettre une information, aller dormir, puis répéter le cycle un certain nombre de fois. Le rôle de l'algorithme proposé était de permettre aux appareils de sélectionner à chaque fois le canal optimal, tel qu'à la fin, le plus grand nombre possible de transmissions réussies (c. lorsque toutes les informations parviennent à destination en un seul morceau) a eu lieu.

L'algorithme est appelé apprentissage par renforcement et il exécute la tâche comme suit :chaque fois qu'une information est transmise via un canal, il note la probabilité d'aboutir à des transmissions réussies via ce canal, selon que l'information atteint complètement et précisément sa destination. Il met à jour ces données à chaque transmission ultérieure.

Les chercheurs ont utilisé cette configuration pour vérifier également a) si l'algorithme a réussi, b) si elle était impartiale dans sa sélection de chaînes, et c) s'il peut s'adapter aux variations de trafic dans un canal. Pour les épreuves, un système de contrôle supplémentaire a été construit dans lequel chaque appareil se voyait attribuer un canal particulier et il ne pouvait sélectionner aucun autre canal lors de la transmission d'informations. Dans le premier cas, certains canaux étaient encombrés avant le début de l'expérience, et les scientifiques ont découvert que le nombre de transmissions réussies était plus important lorsque l'algorithme était utilisé, par opposition à quand il ne l'était pas. Dans le deuxième cas, certains canaux sont devenus encombrés lorsque l'algorithme n'a pas été utilisé, et l'information n'a pas pu être transmise à travers eux après un certain temps, provoquant une "injustice" dans la sélection des canaux. Cependant, lorsque les scientifiques ont utilisé l'algorithme, la sélection des canaux s'est avérée juste. Les résultats du troisième cas clarifient ceux des deux cas précédents :lorsque l'algorithme a été utilisé, les appareils commençaient automatiquement à ignorer un canal encombré et ne le réutilisaient que lorsque le trafic y diminuait.

« Nous avons réussi à sélectionner les canaux avec une petite quantité de calcul et un algorithme d'apprentissage automatique hautes performances, " nous dit le professeur Hasegawa. Bien que cela signifie que l'algorithme a résolu avec succès le problème de sélection de canal dans des conditions expérimentales, son sort dans le monde réel reste à voir. "Des expériences sur le terrain pour tester la robustesse de cet algorithme seront menées dans le cadre de recherches ultérieures, " disent les scientifiques. Ils prévoient également d'améliorer l'algorithme dans les recherches futures en prenant en considération d'autres caractéristiques du réseau, comme la qualité de transmission du canal.

Le monde évolue rapidement vers des réseaux IoT sans fil massifs avec un nombre croissant d'appareils se connectant sur des canaux sans fil à l'échelle mondiale. Chaque organisation ou érudit possible profite de ce moment de l'histoire du temps pour résoudre le problème de la sélection des canaux et prendre une longueur d'avance. Le professeur Hasegawa et son équipe ont réussi à faire l'un des premiers pas de la course. L'avenir de la grande vitesse, la transmission d'informations sans fil sans erreur peut être proche !