Крупномасштабная энергоэффективная маршрутизация сенсорной сети с использованием квантового процессора
Summary
В этом исследовании представлен метод использования квантового процессора для вычисления маршрутов для различных динамик трафика, которые превосходят классические методы в литературе для максимизации времени жизни сети.
Abstract
Метод энергосбережения сенсорной сети, представляющий собой гибрид использования классического компьютера и квантового процессора, доказал свою эффективность лучше, чем эвристический алгоритм с использованием классического компьютера. В данной работе представлен и обоснован технический контекст значимости метода. Затем экспериментальные этапы демонстрируются в рабочей последовательности с иллюстрациями, если это необходимо. Метод был проверен положительными результатами на случайно сгенерированном выборочном наборе сетевых топологий. Успешные экспериментальные результаты этого метода обеспечили лучший подход к задачам максимизации времени жизни сенсорной сети и продемонстрировали, что современный квантовый процессор способен решать большие практические инженерные задачи с достоинствами, которые перекрывают существующие в литературе методы. Другими словами, квантовое преимущество может быть использовано наилучшими усилиями. Он вышел за рамки проверки концепции и перешел от доказательства осуществимости.
Introduction
Энергосбережение в сенсорных сетях было очень важным вопросом при проектировании1. Классические методы обычно решают проблему с помощью специального подхода 2,3,4,5,6. Тем не менее, эти методы имитируют сенсорные узлы как индивидуально управляемые интеллектуальные активы, которые также могут сотрудничать, чтобы служить интересам как отдельного человека, так и общества. Из-за изменчивой среды, в которой работают датчики, в некоторых работах вводятся случайные алгоритмы для того, чтобы уловить неопределенности окружающей среды, в то время как в других используется биоинтеллект для разработки эвристических алгоритмов, которые могли быдостичь результатов, приемлемых с точки зрения здравого смысла. Чтобы проиллюстрировать далее, для этих случайных алгоритмов, с одной стороны, неопределенности окружающей среды могут быть не такими случайными, как случайная последовательность, сгенерированная классическим процессором, с другой стороны, даже если неопределенности среды абсолютно случайны, они не могут быть учтены симулятором случайных процессов, сгенерированным классическим процессором; Для этих алгоритмов биоинтеллекта, во-первых, не было проведено строгого математического анализа, чтобы концептуальное доказательство работало, во-вторых, сходимость к истине или граница допустимости ошибок могут быть сконфигурированы только при наличии обоснованной базовой истины – хотя значительное количество работ в литературе продемонстрировало в той или иной степени работу этих эвристических алгоритмов. Во-первых, эти алгоритмы анализируются (а не моделируются) в соответствии с четко определенными сценариями использования, они останавливаются на определенных критериях, над которыми все еще стоит задуматься в дальнейших исследованиях, во-вторых, как было сказано ранее, большинство алгоритмов не были проверены на соответствие программному моделированию, которое может быть легко развернуто в микропроцессорах, которые превращают датчикв его существо.
Мы не рассматриваем здесь машинное обучение (ML), потому что оно должно использовать аналитику данных, которая требует относительно большого объема вычислительной мощности, которая не переносима в сенсорных устройствах9.
Для решения вышеупомянутых проблем мы предлагаем гибридный квантовый алгоритм. Алгоритм является гибридным в том смысле, что механизм выбора головы кластера реализован с помощью классического случайного алгоритма во время вычислений маршрутизации, проводимых с помощью квантового процессора после настройки топологии сети. Метод обоснован следующим образом: (1) Как обсуждалось в первом параграфе относительно неопределенностей окружающей среды, мы не хотим дальше пытаться применить генератор квантовых последовательностей для захвата динамики окружающей среды, потому что она может быть исторически прослежена. Динамика окружающей среды, которую можно проследить исторически, была обоснована различными исследовательскими работами в области машинного обучения в области сетевых наук. На данном этапе мы придерживаемся классического подхода. (2) Точный метод, основанный на абстрактном математическом анализе, гарантирует достижение истинной истины. Квантовая экспериментальная физика до сих пор изощренно поддерживалась физической математикой. Более того, существуют приложения алгоритмов, такие как алгоритм Шора10 , чтобы доказать эту округленную теорию.
Для сравнения ниже приводится достаточное количество литературы для сравнения. Протокол HEESR, предложенный11 , имеет очевидные достоинства в результатах, но авторы хорошо определили параметры конфигурации моделирования, например, точную функцию случайного распределения положения узла, правильное обоснование процента напора кластера p (0,2%) и параметр масштабирования для распределения уровня энергии (1-2 джоуля) между узлами a_i. Это запретило автору продолжать дублировать эксперименты и проводить сравнение. Механизм маршрутизациипитания 12 использует метод аппроксимации кривой для аппроксимации сходящихся непрерывных функций из дискретных наборов данных, полученных из неопределенного пространства выборок, для детерминант, влияющих на процесс принятия решения об оптимальной маршрутизации сети. Метод аппроксимации кривой13 требует предварительной информации о топологии сети. В реальных обстоятельствах предварительная информация может быть недоступна. Даже при наличии предварительной информации топология сети может быть недостаточно регулярной, чтобы ее можно было отобразить на аппроксимирующие кривые, которые могут облегчить выводимые вычисления. Следуя той же логике, протокол14 DORAF не обосновал, как и зачем заимствовать функцию Больцмана и логистическую функцию для аппроксимации детерминант сети. Исмаил и др.15 послужили надежным ориентиром для будущих исследований в области разработки энергоэффективных протоколов маршрутизации в подводной сети.
Protocol
Representative Results
Discussion
Современный коммерческий квантовый процессор может быть использован в вычислительных задачах любой топологии сети1. Применение квантовых процессоров не ограничено количеством физических кбит, которые может реализовать любой из квантовых процессоров.
Пр?…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Работа поддержана Научно-исследовательским советом по инженерным и физическим наукам Великобритании (EPSRC) Грант номер EP/W032643/1.
Materials
| Dell Laptop | Dell | N/A | |
| Ubuntu 18.04.6 LTS | Canonical Ltd | 18.04.6 LTS | |
| Python3.8 | Python Software Foundation | 3.8.0 | |
| Dwave QPU | Dwave | https://docs.ocean.dwavesys.com/en/stable/overview/install.html |
Riferimenti
- Chen, J., Date, P., Chancellor, N., Atiquazzaman, M., Cormac, S. Controller-based energy-aware wireless sensor network routing using quantum algorithms. IEEE Transactions on Quantum Engineering. 3, 1-12 (2022).
- Lin, H., Uster, H. Exact and heuristic algorithms for data-gathering cluster-based wireless sensor network design problem. IEEE/ACM Transactions on Networking. 22 (3), 903-916 (2014).
- Zhou, Y., Wang, N., Xiang, W. Clustering hierarchy protocol in wireless sensor networks using an improved PSO algorithm. IEEE Access. 5, 2241-2253 (2017).
- Seah, W. K. G., Mak, N. H. How long is the lifetime of a wireless sensor network. , 763-770 (2009).
- Salahud din, M., Rehman, M. A. U., Ullah, R., Park, C., Kim, B. S. Towards network lifetime enhancement of resource constrained IoT devices in heterogeneous wireless sensor networks Sensors. 20, 4156 (2020).
- Wu, W., Xiong, N., Wu, C. Improved clustering algorithm based on energy consumption in wireless sensor networks. IET Network. 6 (3), 7-53 (2017).
- Kumar, N., Kumar, V., Ali, T., Ayaz, M. Prolong network lifetime in the wireless sensor networks: An improved approach. Arabian Journal for Science and Engineering. 46, 3631-3651 (2021).
- Faris, H., Aljarah, I., Al-Betar, M. A., Mirjalili, S. Grey wolf optimizer: A review of recent variants and applications. Neural Computing and Applications. 30, 413-435 (2018).
- Kaur, J., Arifkhan, M., Iftikhar, M., Imran, M., Haq, A. Machine learning techniques for 5G and beyond. IEEEAccess. 9, 23472-23488 (2021).
- Shor, P. Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum computer. SIAMJournalonComputing. 26 (5), 1484-1509 (1997).
- Qabouche, H., Sahel, A., Badri, A. Hybrid energy efficient static routing protocol for homogeneous and heterogeneous large scale WSN. Wireless Networks. 27, 575-587 (2021).
- Farooq, M., et al. POWER: probabilistic weight-based energy-efficient cluster routing for large-scale wireless sensor networks. The Journal of Supercomputing. 78, 12765-12791 (2022).
- Maddams, W. F. The scope and limitations of curve fitting. Applied Spectroscopy. 34 (3), 245-267 (1980).
- Wang, X., et al. A dynamic opportunistic routing protocol for asynchronous duty-cycled WSNs. IEEE Transactions on Sustainable Computing. , (2023).
- Ismail, A. S., Wang, X., Hawbani, A., Alsamhi, S., Aziz, S. Routing protocols classification for underwater wireless sensor networks based on localization and mobility. Wireless Networks. 28, 797-826 (2022).
- Garcia-Martin, E., Rodrigues, C. F., Riley, G., Grahn, H. Estimation of energy consumption in machine learning. Journal of Parallel Distributed Computing. 134, 75-88 (2019).
- Egger, D. J., et al. Quantum computing for finance: State-of-the-art and future prospects. IEEE Transactions on Quantum Engineering. 1, 1-24 (2020).
- Rasool, R. U., Ahmad, H. F., Rafique, W., Qayyum, A., Qadir, J. Quantum computing for healthcare : A review. TechRxiv. , (2021).
