Media Access Control for LoRaWAN. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (M.Sc Thesis) Mohamed'sThesis.pdf - Accepted Version Restricted to Repository staff only until 7 July 2025. Download (2MB)

Arabic Abstract

أصبحت تكنولوجيا المعلومات والاتصالات جزءًا لا يتجزأ من جميع الدول الصناعية والنامية تقريبًا. يمكن لتكنولوجيا المعلومات والاتصالات تحسين جودة الحياة في مجموعة متنوعة من السياقات، بما في ذلك الرعاية الصحية والتعليم والزراعة والأمن. تمكن إنترنت الأشياء من توسيع خدمات تكنولوجيا المعلومات والاتصالات خارج نطاق الآلات العادية، مما يمنح الأشياء مرونة وإمكانية الوصول على مستوى العالم. تتمثل أربعة أركان لإنترنت الأشياء في الأشياء ذاتها والأشخاص والعمليات والبيانات. حاليًا، هناك مليارات الأجهزة متصلة بالإنترنت، ولكن معظمها إما أجهزة كمبيوتر أو أجهزة لابتوب أو أجهزة لوحية أو تلفزيونات أو هواتف ذكية. بينمافي المستقبل، ستتمكن كل الأشياء من الاتصال بالإنترنت من خلال إنترنت الأشياء.علاوة على ذلك، يتم استخدام مجموعة متنوعة من أجهزة إنترنت الأشياء للاتصال بالإنترنت. ومن الأمثلة على هذه التكنولوجيا هي الأجهزة القابلة للارتداء مثل نظارات جوجل Google Glasses، متعقبات Xiaomi MI Band، والسترات الذكية التي أنتجتها Levi's بالتعاون مع Jacquard من جوجل. تعتبر LoRa تكنولوجيا لاسلكية لإنترنت الأشياء تحظى بشعبية متزايدة، وهي تتميز بالطاقة المنخفضة والنطاق الطويل. في هذه الرسالة، نقترح نظامًا جديدًا للتحكم في الوصول إلى الوسائط (MAC) لـ LoRaWAN. يقوم النظام الجديد بتعزيز نظام ALOHA متعدد القنوات المستخدم في LoRaWAN باستخدام التعلم التعزيزي. وعلى حد علمنا، فإن هذه هي أول دراسة تقترح مثل هذا النظام في إطار LoRaWAN. تم تقييم أداء النظام المقترح من خلال المحاكاة ومقارنته بنظام ALOHA متعدد القنوات القياسي في LoRaWAN. تظهر التجارب أن النهج المتكامل يظهر كفاءة ملحوظة كما يظهر البيانات التجريبية، مشيرة إلى قدرة تحمل ملحوظة تفوق 82% ضمن تكوين شبكي يضم بوابة واحدة تتفاعل مع 600 جهاز. هذا الإنجاز يمثل تقدمًا كبيرًا مقارنة بالناتج الأقصى للنظام القياسي ALOHA والذي بلغ 60% في ظروف مماثلة. فيما يتعلق بديناميات التصادم، فإن دمج ALOHA مع التعلم التعزيزي باستخدام أربعة بوابات حقق معدل تصادم متوسط يبلغ حوالي ٤٥، وهو أقل بكثير من معدل التصادم الذي يبلغ حوالي ٧١ و الذي تمت ملاحظته مع نظام ALOHA تحت نفس الظروف

English Abstract

Billions of devices are currently online, but most of them are computers, laptops, tablets, televisions, and smart phones. In the future, all things will be able to connect to the Internet through the Internet of Things (IoT) [1]. For example, various IoT devices are already being used to connect to the Internet. Wearables like the Google Glasses, Xiaomi MI Band Trackers, and smart jackets made by Levi's and Google's Jacquard are few examples of such technology [1]. LoRaWAN is an increasingly popular IoT wireless access technology that is characterized by low power and long range. In this thesis, we propose a novel Media Access Control (MAC) scheme for LoRaWAN. The new scheme enhances the multichannel ALOHA scheme used by LoRaWAN using Reinforcement Learning (RL). To our knowledge, this is the first study to propose such a scheme under LoRaWAN. The performance of the proposed scheme is evaluated via simulations and compared to the standard multichannel ALOHA in LoRaWAN. The experiments show the integrated approach demonstrates notable efficacy as substantiated by empirical data, indicating a remarkable throughput surpassing 82% within a network configuration featuring a singular gateway interfacing with 600 nodes. This attainment marks a substantial advancement compared to the maximum throughput of 60% achieved by the conventional ALOHA model operating under equivalent circumstances. Regarding collision dynamics, the amalgamation of ALOHA with reinforcement learning achieved an average collision rate of approximately 45, notably lower than the average collision rate of approximately 71 observed with ALOHA alone under comparable nodes and gateways configurations.

Item Type:	Thesis (Masters)
Subjects:	Computer Engineering
Department:	College of Computing and Mathematics > Computer Engineering
Committee Advisor:	Al-Awami, Louai Adnan
Committee Members:	Baroudi, Uthman and Ahmed, Akram Fadhl N.
Depositing User:	MOHAMED OMAR (g202113070)
Date Deposited:	09 Jul 2024 07:40
Last Modified:	09 Jul 2024 07:40
URI:	http://eprints.kfupm.edu.sa/id/eprint/142989