Dynamic routing for mobile IoT networks based on software-defined networking. - Ilmenau. - 119 Seiten
Technische Universität Ilmenau, Masterarbeit 2023
In unserer Studie entwickelten wir ein drahtloses Sensornetzwerk, das speziell für Pflegeheime ausgelegt ist, um den Komfort und die Gesundheitsüberwachung älterer Menschen zu verbessern. Dieses Netzwerk umfasst tragbare Sensoren für Vitalzeichen und Umgebungssensoren für Temperatur und Luftfeuchtigkeit, um die spezifischen Bedürfnisse von Pflegeheimen zu adressieren. In Anbetracht der Energiebeschränkungen und Mobilität dieser Sensoren haben wir Software Defined Networking (SDN) integriert, um die Netzwerktopologie effektiv zu verwalten. SDN trennt Steuerungs- und Datenebenen, was eine flexiblere Netzwerkverwaltung ermöglicht und komplexe Rechenaufgaben an den SDN-Controller verlagert. Diese Integration von SDN mit Wireless Sensor Networks (WSN) ermöglicht eine effiziente globale Nachrichtenverwaltung, minimiert den Energieverbrauch und balanciert die Energie der Knoten, um so die Routing-Pfade zum Sink-Knoten im Pflegeheimsystem zu optimieren. Wir führten einen Nachbarschaftserkennungsmechanismus unter den Knoten ein, um die Netzwerkkonnektivität aufzubauen und zu erhalten, und berichteten diese Informationen an den SDN-Controller. Dieses System ermöglicht es dem SDN-Controller, Probleme wie Verbindungsunterbrechungen, Bewegungen mobiler Knoten und Pseudo-Totknoten zu überwachen und anzugehen, wodurch die Netzwerkstabilität erhöht wird. Mit einem variablen Längen-Genetischen Algorithmus (VLGA) wählt unser Netzwerk intelligent Clusterköpfe aus und berechnet Routing-Pfade mit dem Dynamischen Dual-Gewicht Dijkstra-Algorithmus, um Netzwerkressourcen effektiv zu verwalten. Unsere Validierungstests mit Python und Mininet-WiFi zeigten, dass der DDWGA-Algorithmus traditionelle genetische Algorithmen in Bezug auf Energieeffizienz übertrifft, insbesondere bei der Verlängerung der Lebensdauer der ersten und letzten ausfallenden Knoten. DDWGA zeigte auch eine überlegene Netzwerkstabilität und einen geringeren Anteil an Pseudo-Totknoten im Vergleich zum EEHTC-Algorithmus. Zusätzlich bestätigte unsere Implementierung in Mininet-WiFi die Wirksamkeit des Algorithmus in realen Szenarien, obwohl wir eine erhöhte Datenpaket-Overhead aufgrund kürzerer Zyklusperioden feststellten. Unsere Ergebnisse hoben auch die Bedeutung der Knotendichte für die Energieeffizienz hervor, wobei höhere Dichten effizienter waren. In Zukunft zielen wir darauf ab, die Betriebseffizienz unseres Netzwerks weiter zu verfeinern. Die Optimierung der Berichtsfrequenzen der Knoten basierend auf ihrer Geschwindigkeit wird ein Schwerpunkt sein. Auch planen wir, die Mobilität der Knoten als Faktor in den genetischen Algorithmus zur Auswahl der Clusterköpfe einzubeziehen, wobei Knoten mit geringerer Bewegungsgeschwindigkeit eher für die Auswahl des Clusterkopfes in Betracht gezogen werden. Außerdem planen wir, Strategien zur Leistungszuweisung zu erforschen, um das Verhältnis von Pseudo-Totknoten weiter zu reduzieren, möglicherweise durch die Zuweisung unterschiedlicher Anfangsenergieniveaus basierend auf der Nähe der Knoten zum Sink-Knoten. Dieser Ansatz könnte zu einer effizienteren Energienutzung führen und die Gesamtlebensdauer des Netzwerks verlängern.
Improving green cloud computing by applying metaheuristics. - Ilmenau. - 115 Seiten
Technische Universität Ilmenau, Masterarbeit 2023
Cloud Computing ist eine effiziente Methode zur Verwaltung von Ressourcen und zur Bereitstellung von Diensten in einer mobilen Umgebung. Es ist jedoch wichtig, energieeffiziente Methoden für den Betrieb eines Systems zu wählen, um während der gesamten Lebensdauer des Geräts zur Nachhaltigkeit beizutragen. An dieser Stelle entsteht der Bedarf an Green Cloud Computing. Green Cloud Computing ist eine Technologie zur energieeffizienten Nutzung einer Cloud-Computing-Umgebung. Da beim Cloud Computing die Virtualisierungstechnologie eingesetzt wird, um ein nahtloses Arbeiten zu gewährleisten, wird ein Übermaß an Energie verschwendet, wenn diese virtuellen Maschinen (VMs) in einer überlasteten und unterlasteten Umgebung arbeiten. Daher müssen die VMs auf eine physische Maschine (PM) migriert werden, die für diese Operationen besser geeignet ist. Beim Verschieben von VMs von einer PM zu einer anderen geht viel Energie verloren. Wenn diese Migrationen nicht effizient durchgeführt werden, führt dies zu noch mehr Migrationen und damit zu unnötiger Energieverschwendung. Das Ziel dieser Forschungsarbeit "Verbesserung des Green Cloud Computing durch Anwendung von Metaheuristiken" ist die Schaffung einer energieeffizienten VM-Verwaltungsumgebung. In dieser Arbeit wird ein Fuzzy Inference System implementiert, um Benutzerinformationen zu sammeln und physische und virtuelle Maschinen nach Bedarf zu planen, um die Erfüllung von Dienstgüte (QoS) und Dienstvereinbarungen (SLA) zu gewährleisten. Darüber hinaus wird ein neuartiger Optimierungsalgorithmus, der Komodo Mlipir Algorithmus (KMA), eingesetzt, um virtuelle Maschinen durch VM-Migration und -Konsolidierung zu regulieren. Die implementierte Arbeit wird mit einer bestehenden Methode verglichen, die einen Virtual Machine Scheduling-Modified Clonal Search Algorithm (VMS-MCSA) verwendet, der einen zufälligen Mutationsoperator verwendet, um die VMs mit dem erforderlichen Planungsintervall umzuplanen, um die Dynamik der Arbeitslast innerhalb der minimalen VM-Migrationen zu verwalten. Mit der Anpassung des Komodo-Mlipir-Algorithmus ist diese Forschungsarbeit in der Lage, eine geringere Migrationszeit zwischen VMs aufgrund eines höheren Optimierungsniveaus zu erreichen, und erreicht damit, eine erhebliche Menge an Energie im Prozess der Konsolidierung als Ergebnis der optimierten Migration zu sparen.
Graph machine learning techniques for routing in wireless V2X communication. - Ilmenau. - 70 Seiten
Technische Universität Ilmenau, Masterarbeit 2023
Die Vehicle-to-Everything (V2X)-Kommunikation ist ein wichtiger Bestandteil intelligenter Verkehrssysteme (ITS), die einen integrierten Ansatz für den Austausch relevanter Informationen für eine Vielzahl von Anwendungen wie aktive Verkehrssicherheit, Infotainment und Verkehrsmanagement bieten. Der zuverlässige und rechtzeitige Austausch von Informationen zwischen Fahrzeugknoten ist eine entscheidende Herausforderung bei V2X. In diesem Zusammenhang sind effiziente V2X-Routing-Protokolle unerlässlich, um Zuverlässigkeit und Sicherheit zu gewährleisten und gleichzeitig die allgemeine Dienstqualität (QoS) zu verbessern. Ad-hoc-Netze für Fahrzeuge (VANETs) sind aufgrund der hohen Mobilität der Fahrzeugknoten, der unsteten Konnektivität, der schnellen Änderungen der Netztopologie und der unbegrenzten Größe des Netzes starken Schwankungen unterworfen, die die Routing-Leistung erheblich beeinträchtigen können und häufige Aktualisierungen der Routing-Entscheidungen erforderlich machen können. Herkömmliche Routing-Protokolle sind nicht in der Lage, mit den komplexen Merkmalen umzugehen, die in solchen dynamischen Netzen auftreten. In diesem Zusammenhang haben sich Techniken des maschinellen Lernens in letzter Zeit als leistungsfähige Werkzeuge für das Lernen komplexer Aufgaben erwiesen. Reinforcement Learning-Techniken, insbesondere Deep Reinforcement Learning (DRL), können diese Herausforderung meistern, indem sie mit der V2X-Umgebung in Echtzeit interagieren. Aufgrund der graphenstrukturierten VANET-Topologie können traditionelle DRL-Modelle, die für gitterartige Daten entwickelt wurden, jedoch nicht verallgemeinert werden. Daher wird in dieser Arbeit die Leistung einer GNN-basierten DRL-Routing-Strategie über verschiedene V2X-Netzwerktopologien mit Schwerpunkt auf der Optimierung von Datenrate und Latenzzeit bewertet. Darüber hinaus wird die Routing-Leistung des vorgeschlagenen Modells mit einem idealen Routing-Protokoll für den kürzesten Weg verglichen, um die Wirksamkeit der Strategie zu demonstrieren.
Energy efficient routing in software-defined wireless sensor networks (SDWSN). - Ilmenau. - 65 Seiten
Technische Universität Ilmenau, Masterarbeit 2023
Als grundlegender Bestandteil des Internet of Things (IoT)-Ökosystems haben WSN in letzter Zeit viel Aufmerksamkeit erhalten. Aufgrund der Einschränkungen des Sensors selbst ist die Anwendung von WSN jedoch begrenzt. Als neue Netzwerktechnologie und Netzwerkparadigma hat SDN in den letzten Jahren einen großen Einfluss auf die Leistungsverbesserung von Netzwerkstrukturen gehabt. Dies beweist, dass es ein Anwendungspotenzial im Bereich der WSNs hat. Es gibt zwar einige Studien über SDWSN, aber kein allgemeines Schema. Derzeit ist eines der Hauptprobleme von SDWSN die Energieeffizienz. In dieser Arbeit wird ein durch den K-Means-Algorithmus und den DFS-Algorithmus modifiziertes SDWSN vorgeschlagen, das die Energieeffizienz umfassend verbessert. Im Vergleich zu anderen Algorithmen werden die Vor- und Nachteile aufgezeigt.
Datenübertragungsverfahren im Wandel : kabellose Kommunikation als echte Alternative?. - Ilmenau. - 83 Seiten
Technische Universität Ilmenau, Masterarbeit 2022
Im Zeitalter der Digitalisierung stieg die Relevanz der Thematik Ortsungebundenheit für Datenübertragungen immer weiter an, wodurch insbesondere Kommunikationstechnologien aus dem Bereich der kabellosen Kommunikation aktuell viel Fortschritt durch umfassende Forschung und Weiterentwicklungen erfahren. Die kabellose Kommunikation war jedoch bisher stets mit erheblichen Nachteilen bezüglich der Leistungsdaten gegenüber den kabelgebundenen Lösungen verknüpft, während die Anforderungen an die Datenübertragung für alle Kommunikationstechnologien auch weiterhin schnell ansteigen. Damit die kabellose Datenübertragung eine echte Alternative sein kann, muss diese auch abseits des Vorteils der Ortsungebundenheit konkurrenzfähig sein und darf keine für die Nutzung relevanten Nachteile aufweisen. Um dies zu prüfen, wurden für den Einsatz innerhalb eines Local Area Networks Zielgrößen für die relevantesten Leistungsmerkmale einer Datenübertragung innerhalb des privaten als auch des gewerblichen Bereichs herausgearbeitet. Diese wurden anschließend genutzt, um die aktuell relevantesten kabellosen (Wi-Fi 6; 5G) und kabelgebundenen (Ethernet über Kupferkabel; Ethernet über Glasfaserkabel) Kommunikationstechnologien anhand von theoretischen und auch praktischen, selbst gemessenen Leistungsdaten zu charakterisieren. Ziel dieser Arbeit war es somit, die Forschungsfrage „Kann die kabellose Kommunikation in unterschiedlichen Use Cases den Anforderungen an die Datenübertragung genügen?" zu beantworten. Im Rahmen der Arbeit wurde deutlich, dass die kabellosen Kommunikationstechnologien viel Potenzial bieten, jedoch zum aktuellen Zeitpunkt, im Rahmen der gestellten Anforderungen, noch keine wirklich Alternative sind.
Simulation and Performance Evaluation of Wireless Sensor Networks Based on Software-Defined Networking for the Internet of Things. - Ilmenau. - 75 Seiten
Technische Universität Ilmenau, Masterarbeit 2022
Wireless Sensor Networks (WSNs) werden mit dem Aufkommen des Internets der Dinge (IoTs) immer beliebter. Internets der Dinge haben in den letzten Jahren an Attraktivität gewonnen. Es ermöglicht die nahtlose Integration verschiedener Arten von Endgeräten und stellt viele Arten von lokalisierten Informationen bereit, die von verteilten Anwendungen analysiert werden können. Um die Verwaltbarkeit zu verbessern, wurde der Software-Defined Networking (SDN)-Ansatz kürzlich erfolgreich auf des Internets der Dinge-Netzwerke angewendet. Im vorgegebenen Thema einer Masterarbeit soll ein Simulationstool für SDN-basierte Wireless Sensor Networks (WSNs) identifiziert und angewendet werden, um den Nutzen dieses Ansatzes zu evaluieren.
IPv6 over Low power Wireless Personal Area Network (6LoWPAN) für den Einsatz im Smart Home. - Ilmenau. - 47 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2022
Das Internet der Dinge ist ein entwickeltes Konzept des Internets, bei dem alle Dinge in unserem Leben mit dem Internet oder untereinander verbunden werden können, um Daten zu senden und zu empfangen und bestimmte Funktionen über das Netzwerk durchzuführen. So erfreut sich das Smart Home immer größerer Beliebtheit, bei dem verschiedenen technischen Einrichtungen im Haus vernetzt werden, um das Leben angenehmer zu machen. Diese Arbeit untersucht die Eignung von 6LoWPAN für den Einsatz in Smart Home. 6LoWPAN ist ein Akronym für Internet Protokoll Version 6 über drahtloses Netzwerk mit geringem Energieverbrauch. In dieser Arbeit wurden Simulationswerkzeuge wie OPNET, OMNET++,ns2, ns3, COOJA recherchiert und COOJA als Simulationswerkzeug ausgewählt, in dem die 6LoWPAN-Implementierung durchgeführt wurde.
Precise Indoor Positioning Based on Bluetooth Low Energy 5.1 for the Internet of Things. - Ilmenau. - 92 Seiten
Technische Universität Ilmenau, Masterarbeit 2022
Der Wunsch nach einer präzisen Verfolgung von Objekten in Innenräumen wurde seit der Erfindung der Außenortung nicht mehr befriedigt. Mit der Einführung von IoT-basierten Lösungen in immer mehr Branchen ist diese Nachfrage noch gestiegen. Ein Outdoor-Positionierungssystem funktioniert in Innenräumen aufgrund von Dämpfungen durch Reflexionen an Wänden und engen Bereichen nicht. Dieses Problem wurde auf verschiedene Weise angegangen, von der Einführung von Infrarot bis hin zur Verwendung anderer neuerer drahtloser Technologien. Wir haben jedoch eine Lösung vorgeschlagen, die sich auf die Nutzung von \ac{BLE} konzentriert, da diese kostengünstig ist, nur minimale Energieanforderungen hat und in den meisten bereits verwendeten intelligenten Geräten verfügbar ist. Um besser zu verstehen, welche Platzierung für die betrachtete Region ideal ist, haben wir die Grenzen des eigenständigen \ac{BLE}-Moduls in den Ankern durch Verschieben bewertet. Wir wendeten die Nullhypothese auf die generierten Daten jedes Experiments an, um deren Unterschied zu bestätigen, was positiv ausfiel, um zu bestätigen, dass die Änderungen der Platzierung für die Ergebnisse verantwortlich waren. Schließlich sind die berechnete Kreisfehlerwahrscheinlichkeit und der Schätzfehler kleiner als $0,5m$. Die erzielten Ergebnisse zeigten eine optimale Platzierung der Anker, wodurch eine zufriedenstellende Position im Innenraum erreicht wurde. Dies zeigte auch, dass das \ac{BLE}-Modul genau und erfolgreich in der Sichtlinie arbeitete.
Intelligente Alarmverarbeitung und Filterung zur Effektivierung des Netzwerkmanagements auf Basis standardbasierter Systeme. - Ilmenau. - 121 Seiten
Technische Universität Ilmenau, Diplomarbeit 2022
Die Funktionstüchtigkeit und Stabilität ist eine wesentliche Voraussetzung für den Betrieb eines Kommunikationsnetzes. Diese Diplomarbeit beschäftigt sich mit verschiedenen Standards für das Monitoring und Netzwerkmanagement in Unternehmensnetzwerken und weiterführend mit einer praktischen Implementierung einer Monitoringlösung in der TEAG-Gruppe. Anfänglich wird das Thema Monitoring und Netzwerkmanagement theoretisch aufgearbeitet und im Kontext von Unternehmensnetzwerken der aktuelle Stand der Technik beleuchtet. Dabei wird die grundlegende Managementarchitektur dargestellt und der Einsatz des funktionalen Modells der ISO (FCAPS) beschrieben. Im Anschluss erfolgt die Untersuchung der verschiedenen Netzbereiche im Unternehmensnetzwerk der TEAG-Gruppe hinsichtlich der aktuellen Umsetzung von Monitoring und Netzwerkmanagementaufgaben. Diesbezüglich bestehende Probleme werden dargestellt. Ein Augenmerk liegt dabei auf der eingesetzten Software-defined Networking-Lösung Cisco ACI™ im Rechenzentrum. Der praktische Teil umfasst die Ausarbeitung eines Konzeptes für eine neue Monitoringlösung. Dafür erfolgt eine Evaluierung mit Hilfe einer Vergleichsmatrix, welche auf Basis bestehender Probleme und weiterer definierter Anforderungen erstellt wurde. Abschließend wird die Fehlerüberwachung der Cisco ACI™ mit automatischer Weiterleitung von Alarmmeldungen über verschiedene Kommunikationswege an das Network Management Center und den Bereitschaftsdienst realisiert.
Optimization of functional splitting using machine learning approaches in private 5G campus networks. - Ilmenau. - 70 Seiten
Technische Universität Ilmenau, Masterarbeit 2022
Functional Split (FS) befasst sich mit der Aufgabenteilung zwischen den verschiedenen Geräten, basierend auf ihren Fähigkeiten. Ein wichtiger Aspekt von FS ist das Computation Offloading (CO), das sich auf die Übertragung schwerer Rechenaufgaben von hardwarebegrenzten Geräten (Clients) [GPU, CPU, RAM, Speicher] auf leistungsfähigere (Server) bezieht. Das Ziel von CO besteht darin, entweder die Gesamtausführungszeit aller Apps zu reduzieren, den Stromverbrauch der Client-Geräte zu reduzieren oder eine Kombination aus beidem. Cloud Computing (CC) ist eine mögliche Technologie, die in CO verwendet werden kann, aber da die Entfernung zwischen den Clients und Server im Bereich von Hunderten von Kilometern liegt, ist dies für Apps, die eine geringe Latenzzeit erfordern, nicht machbar. Für diese Arten von Apps kann Edge Computing (EC) verwendet werden. EC als Paradigma, kombiniert mit der Entwicklung der 5. Generation (5G), hat die Art und Weise, wie die Daten heutzutage verarbeitet werden, erheblich verbessert. In den letzten Jahren wurde viel geforscht, um einzelne Fragen („Warum“, „Was“, „Wo“, „Wenn/Wann“ und „Wie“) zu beantworten, die für CO entscheidend sind. Da diese Fragestellungen sehr komplex sein können, ist die Implementierung eines Software-Agenten mittels Machine Learning (ML) von größter Bedeutung. Ein Emulationsaufbau, bestehend aus einem Raspberry Pi (RPi) 3B als Client und einem Laptop als Server, wurde verwendet. Als zugrunde liegendes Netz wurde ein echtes 5G-Netz verwendet. Um den Entscheidungsaspekt zu optimieren, wird ein Deep Reinforcement Learning (DRL) Agent implementiert und trainiert. Es wurden verschiedene Tests durchgeführt, um die Leistung unseres Agenten mit der Closed-Form-Lösung und State-of-the-Art-Ansätzen, wie dem zuvor implementierten RL-Agenten, vergleichen zu können. Unser vorgeschlagener DRL-Agent hat gezeigt, dass er die Lösung in geschlossener Form übertrifft, während er auch eine ähnliche Leistung wie der RL-Agent zeigt. Beide ML-Modelle reduzieren die Gesamtfertigstellungszeit aller Apps. Es wurden verschiedene Szenarien in Betracht gezogen und die Größe des für das Training verwendeten Datensatzes schrittweise reduziert. Basierend auf unseren Ergebnissen haben wir bewiesen, dass der DRL-Agent genauso gut abschneidet wie der RL-Agent, während er im Vergleich zu letzterem eine Reihe von Vorteilen hat. Nicht nur die Menge an Trainingsdaten, die zum Trainieren des Agenten benötigt wird, wurde reduziert, sondern wir haben auch eine Lösung, die sowohl auf diskreten als auch auf kontinuierlichen Zustandsräumen funktioniert. Während der RL-Agent nur Entscheidungen für Zustände treffen kann, die er zuvor angetroffen hat, kann unser DRL-Agent aufgrund der Einbindung neuronaler Netze auch Entscheidungen für ähnliche Zustände treffen.