СИСТЕМА ВІДНОВЛЕННЯ ДАНИХ У БЕЗДРОТОВИХ СЕНСОРНИХ МЕРЕЖАХ НА ОСНОВІ МАШИННОГО НАВЧАННЯ

Анотація

Втрата даних у бездротових сенсорних мережах є серйозною проблемою, яка безпосередньо впливає на точність вимірювань, коректність аналізу та загальну надійність передачі інформації. В умовах постійної зміни навколишнього середовища, завад, перевантаженості мережі або виходу з ладу окремих вузлів спостерігається суттєве зниження якості зв’язку, що призводить до втрати частини переданих пакетів даних.

Існуючі методи боротьби з втратами, такі як циклічний контрольний код (CRC), інтерполяційні алгоритми або схеми повторної передачі пакетів, мають певні обмеження. Вони можуть бути ефективними при невеликих втратах, проте в умовах високих перешкод або нестабільності мережевого середовища їх точність та ефективність значно знижується.

У цій статті запропоновано нову систему відновлення даних, яка поєднує класичні методи контролю цілісності з можливостями машинного навчання для точнішої реконструкції відсутніх значень. Основою підходу є математична модель випадкового циклічного процесу, яка дозволяє аналізувати та прогнозувати поведінку мережі на основі часових рядів попередніх спостережень. Використання Singular Spectrum Analysis (SSA) допомагає виділити основні тренди, циклічні закономірності та випадкові коливання у часових рядах, що дає змогу більш точно передбачати відсутні значення. Ця методика дозволяє не лише відновлювати дані, але й прогнозувати можливі втрати, що дає змогу випереджати проблеми та мінімізувати вплив збоїв у передачі.

Експериментальні дослідження продемонстрували значне зниження втрат даних, покращення загальної продуктивності мережі та підвищення енергоефективності вузлів. Аналіз отриманих результатів показав, що запропонована система дозволяє зменшити середню затримку передачі інформації, що є важливим фактором для критично важливих застосувань, таких як дистанційний моніторинг або системи безпеки. Порівняння з традиційними методами підтвердило переваги нового підходу, особливо в умовах високого рівня шумів, перевантаження мережі та обмеженого енергоресурсу вузлів.

У майбутніх дослідженнях планується розширити модель, додавши можливість врахування різних рівнів шуму та зовнішніх факторів, що впливають на якість передачі даних, а також розглянути можливість покращення відновлення даних за допомогою гібридних підходів, що поєднують машинне навчання з оптимізаційними алгоритмами.