Machine learning routing protocol in mobile IoT based on software-defined networking. - In: 2022 IEEE Conference on Network Function Virtualization and Software Defined Networks, (2022), S. 108-111
The Internet's pervasive influence in all aspects of life has caused the number of heterogeneous devices connected to this network to grow exponentially. As a result, recognizing these devices and their management has led to the emergence of a new paradigm called the “Internet of Things” (IoT). Sensor networks are the essential pillar of the Internet of Things. Due to their low cost and ease of deployment, they can be implemented in a structured or unstructured way in a dynamic physical environment to manage and monitor the dynamic conditions of the desired area in various applications. Nevertheless, what is noteworthy in this regard is the limited resources of sensor networks, which cannot meet the diverse needs of the Internet of Things, so appropriate solutions must be adopted to some challenges, such as scalability and routing in dynamic topologies. Against this challenge, the SDN paradigm has attracted massive attention because it is possible to add new capabilities to networks with limited resources to reduce the overhead caused by processing and computing in sensor nodes and delegate these energy-consuming tasks to the controller. On the other hand, machine learning techniques have also shown their ability to optimize routing and increase the quality of service, reliability, and security by using statistics and information obtained from these networks. However, less research has addressed sensor nodes' mobility and challenges in resource-constrained IoT networks.
https://doi.org/10.1109/NFV-SDN56302.2022.9974791
Versatile safe autonomous intersection management protocol for heterogeneous connected vehicles. - In: 2022 IEEE Vehicle Power and Propulsion Conference (VPPC), (2022), insges. 7 S.
In this paper, we employ a novel safe centralized intersection management (IM) scheme for heterogeneous classes of connected vehicles such as passenger vehicles (PVs), buses, vans, trucks, emergency vehicles (EVs), trams and also vulnerable road users (VRUs) including motorcycles, bicycles, and moped. A rule-based algorithm undertakes safe coordination using different criteria such as intersection traffic rules, vehicle types and road priorities. Besides, in the proposed system, dynamics and behavior of the road users, which might be totally distinct, are taken into account. These underlying characteristic behaviors comprise of reaction distance $(D_r)$, stopping distance $(D_s)$, braking distance $(D_b)$, braking lag distance $(D_bl)$ as well as deceleration (d) and velocity (v) of the vehicles in an urban environment. In addition, special lanes for cyclists and tram tracks are considered in the layout. Furthermore, in order to more properly image the realistic traffic situations, we have integrated the impact of various road conditions in our system in terms of dry, wet, snowy, and icy. Performance of the system is analyzed in several sparse and dense traffic situations with respect to different criteria such as speed and travel time. Additionally, efficiency is also compared to traditional intersection management systems like traffic lights (TLs).
https://doi.org/10.1109/VPPC55846.2022.10003461
Robust multi-dimensional model order estimation using LineAr Regression of Global Eigenvalues (LaRGE). - In: IEEE transactions on signal processing, ISSN 1941-0476, Bd. 70 (2022), S. 5751-5764
The efficient estimation of an approximate model order is very important for real applications with multi-dimensional low-rank data that may be corrupted by additive noise. In this paper, we present a novel robust to noise method for model order estimation of noise-corrupted multi-dimensional low-rank data based on the LineAr Regression of Global Eigenvalues (LaRGE). The LaRGE method uses the multi-linear singular values obtained from the HOSVD of the measurement tensor to construct global eigenvalues. In contrast to the Modified Exponential Test (EFT) that also exploits the approximate exponential profile of the noise eigenvalues, LaRGE does not require the calculation of the probability of false alarm. Moreover, LaRGE achieves a significantly improved performance in comparison with popular state-of-the-art methods. It is well suited for the analysis of noisy multidimensional low-rank data including biomedical signals. The excellent performance of the LaRGE method is illustrated via simulations and results obtained from EEG recordings.
https://doi.org/10.1109/TSP.2022.3222737
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.
Empirical multi-band characterization of propagation with modelling aspects for communications. - Ilmenau : Universitätsbibliothek, 2022. - 1 Online-Ressource (xv, 243 Seiten)
Technische Universität Ilmenau, Dissertation 2022
Diese Arbeit präsentiert eine empirische Untersuchung der Wellenausbreitung für drahtlose Kommunikation im Millimeterwellen- und sub-THz-Band, wobei als Referenz das bereits bekannte und untersuchte sub-6-GHz-Band verwendet wird. Die großen verfügbaren Bandbreiten in diesen hohen Frequenzbändern erlauben die Verwendung hoher instantaner Bandbreiten zur Erfüllung der wesentlichen Anforderungen zukünftiger Mobilfunktechnologien (5G, “5G and beyond” und 6G). Aufgrund zunehmender Pfad- und Eindringverluste bei zunehmender Trägerfrequenz ist die resultierende Abdeckung dabei jedoch stark reduziert. Die entstehenden Pfadverluste können durch die Verwendung hochdirektiver Funkschnittstellen kompensiert werden, wodurch die resultierende Auflösung im Winkelbereich erhöht wird und die Notwendigkeit einer räumlichen Kenntnis der Systeme mit sich bringt: Woher kommt das Signal? Darüber hinaus erhöhen größere Anwendungsbandbreiten die Auflösung im Zeitbereich, reduzieren das small-scale Fading und ermöglichen die Untersuchung innerhalb von Clustern von Mehrwegekomponenten. Daraus ergibt sich für Kommunikationssysteme ein vorhersagbareres Bild im Winkel-, Zeit- und Polarisationsbereich, welches Eigenschaften sind, die in Kanalmodellen für diese Frequenzen widergespiegelt werden müssen. Aus diesem Grund wurde in der vorliegenden Arbeit eine umfassende Charakterisierung der Wellenausbreitung durch simultane Multibandmessungen in den sub-6 GHz-, Millimeterwellen- und sub-THz-Bändern vorgestellt. Zu Beginn wurde die Eignung des simultanen Multiband-Messverfahrens zur Charakterisierung der Ausbreitung von Grenzwert-Leistungsprofilen und large-scale Parametern bewertet. Anschließend wurden wichtige Wellenausbreitungsaspekte für die Ein- und Multibandkanalmodellierung innerhalb mehrerer Säulen der 5G-Technologie identifiziert und Erweiterungen zu verbreiteten räumlichen Kanalmodellen eingeführt und bewertet, welche die oben genannten Systemaspekte abdecken.
https://doi.org/10.22032/dbt.53613
Enhancement of vision-based 3D reconstruction systems using radar for smart farming. - In: 2022 IEEE International Workshop on Metrology for Agriculture and Forestry, (2022), S. 155-159
Digital field recordings are central to most precision agriculture systems since they can replicate the physical environment and thus monitor the state of an entire field or individual plants. Using different sensors, such as cameras and radar, data can be collected from various domains. Through the combination of radio wave propagation and visible light phenomena, it is possible to enhance, e.g., the optical condition of a fruit with internal parameters such as the water content. This paper proposes a method to correct sensor errors to perform data fusion. As an example, we observe a watermelon with camera and radar sensors and present a system architecture for the visualization of both sensors. For this purpose, we constructed a handheld platform on which both sensors are mounted. In our report, the radar is analyzed in terms of systematic and stochastic errors to formulate an angle-dependent mapping function for error correction. It is successfully shown that camera and radar data are correctly assigned with a watermelon used as a target object, demonstrated by a 3D reconstruction. The proposed system shows promising results for sensor overlay, but radar data remain challenging to interpret.
https://doi.org/10.1109/MetroAgriFor55389.2022.9964699
Analysis of wireless radio channel measurement data using machine learning. - Ilmenau. - 75 Seiten
Technische Universität Ilmenau, Masterarbeit 2022
Die Erfassung und Bewertung der Eigenschaften des Funkkanals ist für die Entwicklung eines drahtlosen Kommunikationssystems unerlässlich. Die Merkmale, die den Kanal am genauesten charakterisieren können, werden durch die Verarbeitung durch die Verarbeitung von Daten aus Funkkanalmessungen ermittelt. Die nach der Verarbeitung generierten Parameter können je nach den Bedingungen in verschiedene Szenarien unterteilt werden. Um komplexere zugrundeliegende Muster zu finden, werden in dieser Arbeit auch unüberwachtes maschinelles Lernen auf Funkkanalmessdaten verwendet. Hier wird die Struktur mit Hilfe von RIMAX und large-scale Parameterdatensätzen untersucht. Zunächst wird die Kombination verschiedener Datenvorverarbeitungs- und Clustering-Techniken untersucht, und eine solche Kombination wird anhand der Bewertungsmetriken ausgewählt. Dann wird sie für beide Datensätze auf jede Messfahrt einzeln, auf eine Kombination von einigen Messfahrten und auf alle Messfahrten angewendet. Anschließend werden die Daten daraufhin untersucht, ob die ermittelten Muster mit einer bestimmten Umgebung übereinstimmen. Der Vergleich der Ergebnisse derselben Messfahrten ermöglicht es, die Auswirkungen der Verwendung verschiedener Datensätze zu untersuchen. In dieser Arbeit wurde festgestellt, dass die Muster des unüberwachten maschinellen Lernalgorithmus für einige Ergebnisse von der Umgebung beeinflusst wurden.
One-dimensional convolutional neural network for detection and mitigation of DDoS attacks in SDN. - In: Machine learning for networking, (2022), S. 11-28
In Software-Defined Networking (SDN), the controller plane is an essential component in managing network traffic because of its global knowledge of the network and its management applications. However, an attacker might attempt to direct malicious traffic towards the controller, paralyzing the entire network. In this work, a One-Dimensional Convolutional Neural Network (1D-CNN) is used to protect the controller evaluating entropy information. Therefore, the CICDDoS2019 dataset is used to investigate the proposed approach to train and evaluate the performance of the model and then examine the effectiveness of the proposal in the SDN environment. The experimental results manifest that the proposed approach achieves very high enhancements in terms of accuracy, precision, recall, F1 score, and Receiver Operating Characteristic (ROC) for the detection of Distributed Denial of Service (DDoS) attacks compared to one of the benchmarking state of the art approaches.
Comparison of angle-dependent scattering of convoluted and straight microwave absorbers. - In: AMTA 2022 proceedings, (2022), insges. 6 S.
The increasing complexity and sensitivity of wireless communication systems enforce the requirements for test environments such as anechoic chambers. The minimum achievable level of interference between desired signal and scattered copies is essentially determined by the reflectivity of the installed absorbers, emphasizing the importance of thoroughly characterizing the scattering behavior of absorbers. In this paper, the scattering off absorbers with different geometric shapes, namely convoluted, pyramidal, wedge, and flat, is investigated using a numerical unit-cell model. To verify the simulation model, the angle-dependent reflectivity of the convoluted absorbers was measured at different angles-of-incidence between 2GHz and 18GHz. The numerical results agree well with the measured reflectivity at representative angles-of-incidence, validating the numerical model and revealing the expected increase in reflectivity for increasing beam tilts. Further, it becomes apparent that the performance of all shapes decreases similarly at oblique incidence. These results contribute to build a comprehensive database on the angle- and frequency-dependent reflectivity of absorbers, in order to develop a consistent data body, e.g., for modelling anechoic environments.
https://doi.org/10.23919/AMTA55213.2022.9955000
Emulation of LTE link scenarios reproducibly derived from field-operational tests. - In: AMTA 2022 proceedings, (2022), insges. 6 S.
Virtual drive tests using the over-the-air/vehicle-in-the-loop method are becoming an essential part of testing vehicular radio systems. Different approaches ask which link scenarios and channel environments are relevant and should be tested. This paper deals with the systematic evaluation of field-operational tests and the implementation of virtual drive tests of LTE communication links focussing on the performance of the radio link close to the edges of the radio cells, which are identified as a relevant testing scenario. For this purpose, three test drives were performed on each of two test tracks. Close to cell edges the available data throughput is as much as a factor of 10 lower than the maximum available data throughput along the test track and reduced approximately by half compared to the average data throughput in the cell center. Instead of trying to recreate the entire test drive with high accuracy, this approach focusses on recreating the critical parts of a test drive in the laboratory, as these are the most likely to cause radio link failure in real operation. Therefore, the physical parameters in terms of serving signal strength and level of interfering signals were transferred to a wired virtual test, and the data rate was examined again. Despite some systematic differences between real drive test and virtual drive test, which could be clearly identified, it was possible to reproduce the behavior at the cell edge very precisely with deviations smaller than 5 %.
https://doi.org/10.23919/AMTA55213.2022.9954989