Original title:
Predikce Pohybu Bezdrátových Uzlů v Mobilních Ad Hoc Sítích (MANET)
Translated title:
Movement Prediction of Wireless Nodes in Mobile Ad Hoc Networks (MANETS)
Authors:
Makhlouf, Nermin ; Šimák, Boris (referee) ; Slavíček, Karel (referee) ; Koton, Jaroslav (advisor) Document type: Doctoral theses
Year:
2019
Language:
eng Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[eng][cze]
Rychlý vývoj v oblasti mobilní informatiky vyústil v nový, alternativní způsob mobilní komunikace, v němž mobilní uzly tvoří samoorganizující se bezdrátovou síť, jíž se říká mobilní síť ad hoc (Mobile Ad hoc Network, MANET). Specifické vlastnosti sítí MANET stavějí návrh síťového protokolu před řadu problémů na všech vrstvách protokolové sady . Příčinou jsou nepředvídatelné změny topologie a mobilní povaha těchto sítí. Nástrojem, který řeší problémy plynoucí z mobility uzlů, je predikce budoucích změn v topologii sítě. To má zásadní význam pro různé úlohy jako přesměrování. Tato disertační práce se zabývá dvěma metodami predikce mobility pro sítě MANET. První metoda se nazývá „predikce mobility s využitím virtuální mapy“ (mobility prediction using virtual map) a předpokládá, že každý uzel si dokáže vybudovat svou virtuální mapu v závislosti na svém umístění v průběhu času. Vyvinutý predikční algoritmus byl implementován do síťového simulátoru NS-2, aby jej bylo možné vyhodnotit. V této práci zkoumám stávající modely mobility a způsob, jakým v nich lze aplikovat tuto metodu predikce. Simulace sledují zlepšení výkonnosti, co se týče průměrného zpoždění na bázi end-to-end, poměru doručených paketů a propustnosti sítě. Navržený koncept predikce byl implementován pomocí směrovacího protokolu AODV(Ad Hoc On-Demand Distance Vector). Pro druhou metodu jsem vyvinula umělou neuronovou síť pro predikci pohybů v sítích MANET. Model pro predikci mobility vznikl na základě dat shromážděných ze vzorců umístění. K učení či trénování ANN byl využit bayesovský přístup. Ten byl implementován v softwaru pro trénování bayesovských neuronových sítí s názvem Model Manager. Nejlepším způsobem hodnocení závěrečného modelu je provedení predikcí a jejich srovnání s cílovými daty. Predikce vznikají na základě 50 vzorců jako vstupních proměnných. Dosažené výsledky prezentované s diskutované v práci se vyznačují zlepšením zásadních parametrů komunikační sítě, jako jsou propustnost, zpoždění, Poměr doručených paketů, až o 30% v porovnání s klasickým směrovacím protokolem AODV, kde není implementován predikční model.
The rapid evolution in the field of mobile computing has led to a new alternative way for mobile communication, in which mobile nodes form a self-organising wireless network, called a Mobile Ad hoc Network (MANET). The specific characteristics of MANETs impose many challenges to network protocol designs on all layers of the protocol stack because of unpredictable topology changes and mobile nature. Mobility prediction is a tool to deal with the problems emerging from the nodes’ mobility by predicting future changes in the network topology. This is crucial for different tasks such as routing. In this doctoral thesis, two mobility prediction methods for MANET networks are developed. The first method supposes that each node can build its virtual map depending on its location over the time. This method is called mobility prediction using virtual map. In order to evaluate the developed prediction algorithm, it has been implemented in the network simulator NS-2. I have investigated existing mobility models, and how the prediction method can be applied to them. Simulations respectively realize performance improvement in terms of average end to end delay, packet delivery ratio and network throughput under different mobility model. The proposed prediction concept is implemented over AODV (Ad Hoc On-Demand Distance Vector) routing protocol. In the second method, I have developed an artificial neural network for movement prediction in MANETs. The prediction model for mobility has been done by the data collected from location patterns. The Bayesian technique was used for learning or training ANNs. It has been implemented in software for training Bayesian neural networks called Model Manager. The best way to evaluate the final model is done by making predictions and comparing predictions with target data. The predictions are made by using 50 patterns as input variables. The reached and in the thesis discussed results show that improvement in the most significant network parameters, i.e. delay, throughput and packet delivery ratio, are reached even by 30% compared to AODV routing protocol, where the proposed prediction model is not utilized.
Keywords:
model mobility; predikce mobility; směrovací protokol.; směrová anténa; souřadnice systému GPS (Global Positioning System); sítě MANET; Umělé neuronové sítě; Artificial neural networks; Directional antenna; Global Positioning System (GPS) coordinates; MANETs; Mobility model; Mobility prediction; Routing protocol.
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/180479
guest ::
