Time-Constrained Erasure Correction for Data Recovery in UAV-Aided IoT

Technische Zusammenfassung: Zeitbeschränkte Fehlerkorrektur zur Datenwiederherstellung in UAV-gestützten IoT-Netzwerken

Problemstellung
Die Arbeit befasst sich mit der Herausforderung, die Uplink-Zuverlässigkeit in Internet-of-Things (IoT)-Netzwerken zu verbessern, in denen Unbemannte Luftfahrzeuge (UAVs) als mobile Gateways fungieren, um Daten von bodengestützten Sensorknoten zu sammeln. In typischen UAV-gestützten Szenarien senden Sensoren Daten an ein schwebendes UAV, welches diese anschließend an einen Sink (Empfänger) weiterleitet. Diese Sensor-zu-UAV-Verbindungen sind jedoch aufgrund geringer Sendeleistung, Interferenzen und des begrenzten Zeitfensters des schwebenden UAVs von Natur aus verlustbehaftet.

Bestehende Verfahren zur Fehlerkorrektur, wie Nachrichtenreplikation und Fountain-Coding, stehen in dieser Umgebung vor spezifischen Einschränkungen:

1. Zeitbeschränkungen: Die begrenzte Schwebedauer des UAV schränkt die Anzahl der redundanten Frames ein, die ein Sensor senden kann.
2. Kollisionsrisiken: In einem Multi-Sensor-Cluster unter Verwendung von Random Access (Zufallszugriff) kann übermäßige Redundanz das Risiko von Frame-Kollisionen erhöhen, was die Leistung potenziell eher verschlechtert als verbessert.
3. Variable Bedingungen: Sensoren können zu unterschiedlichen Zeiten während des Besuchs des UAV aufwachen, was zu variablen verbleibenden Kontaktzeiten führt.
4. Protokollbeschränkungen: Während Time Division Multiple Access (TDMA) Kollisionen vermeiden kann, erfordert es eine zuverlässige Verbindungsaufbauphase (Erkennung der Anwesenheit und Datengröße der Sensoren), was Komplexität und Latenz erhöht. Random Access vermeidet dies, leidet jedoch unter Kollisionen.

Methodik
Die Autoren schlagen zwei adaptive Fehlerkorrekturverfahren vor, die für ein Random-Access-Szenario unter Verwendung von Wake-up Radios (WuR) und Long Range (LoRa)-Technologie konzipiert sind. Das Systemmodell geht von $n$ Sensoren aus, von denen jeder ein LoRa-Transceiver und ein stromsparendes WuR besitzt. Das UAV schwebt über $N_s$ Zeitschlitze und sendet Wake-up Calls (WuC) aus, die Slot-Informationen enthalten. Sensoren wachen nach Erhalt eines WuC auf und müssen $\beta$ Nachrichten innerhalb der verbleibenden Slots übertragen.

Die zentrale Innovation ist die adaptive Auswahl der Redundanz basierend auf der verbleibenden Kontaktzeit ($\gamma(i)$), die einem Sensor zur Verfügung steht, der im Slot $i$ aufwacht. Die Verfahren übertragen bis zu $\beta + \varepsilon$ Frames, wobei $\varepsilon$ das Redundanzbudget darstellt.

1. Fountain-Coding-Verfahren:

   • Wenn die verbleibenden Slots $\gamma(i)$ ausreichen, um $\varepsilon$ redundante Frames zu übertragen ($\gamma(i) \ge \varepsilon$), kodiert der Sensor die $\beta$ Quellnachrichten in $\beta + \varepsilon$ lineare Kombinationen (kodierte Nachrichten) mittels Random Linear Fountain Codes über einem Galois-Feld. Diese werden über zufällig gewählte Slots übertragen.
   • Wenn $\gamma(i) < \varepsilon$, wird das Fountain-Coding übersprungen. Der Sensor überträgt so viele unkodierte Nachrichten wie möglich innerhalb der verbleibenden Slots.
   • Die Dekodierung ist erfolgreich, wenn der Empfänger $\beta$ linear unabhängige Kombinationen erhält.

2. Nachrichtenreplikations-Verfahren:

   • Wenn $\gamma(i) \ge 0$, berechnet der Sensor die Anzahl der vollständigen Kopien ($m_q$) und den Rest ($m_r$) der Nachrichten, die gesendet werden können. Nachrichten werden je nach verfügbarem Redundanzbudget $m_q+1$ oder $m_q$ Mal repliziert.
   • Wenn $\gamma(i) < 0$ (unzureichende Zeit für alle Originalnachrichten), wählt der Sensor eine zufällige Teilmenge von Nachrichten aus und verwirft den Rest.

Wesentliche Beiträge
Die Arbeit beansprucht folgende Beiträge:

• Neuartige Verfahren: Sie entwickelt zwei Fehlerkorrekturverfahren speziell für die UAV-IoT-Datenwiederherstellung: eines unter Verwendung von Fountain-Coding und eines unter Verwendung von Nachrichtenreplikation. Die Autoren geben an, dass dies die erste Untersuchung dieser Art für dieses spezifische Szenario ist.
• Adaptive Redundanz: Im Gegensatz zur herkömmlichen statischen Fehlerkorrektur bestimmen diese Verfahren die Redundanz dynamisch basierend auf der verbleibenden Kontaktzeit des Senders mit dem UAV, was eine Anpassung an variable Verweildauern ermöglicht.
• Praktisches Design: Das Design wird für einen praktischen Aufbau mit WuR zur Aktivierung und LoFar für den Datentransfer mit Random Access illustriert.
• Analytische Modellierung: Die Autoren entwickeln analytische Modelle, um die Nachrichtenzustellwahrscheinlichkeit (Message Delivery Probability, MDP) für beide Verfahren vorherzusagen, wobei sie die slotabhängigen Übertragungserfolgswahrscheinlichkeiten und die Kollisionsdynamik berücksichtigen.

Leistungsergebnisse
Numerische Ergebnisse, die mittels MATLAB-Simulationen mit 30 Sensoren, einer UAV-Höhe von 10 m und Nakagami-m-Fading gewonnen wurden, zeigen Folgendes auf:

• Vergleich mit Benchmarks: Beide vorgeschlagenen Verfahren schneiden konsistent besser ab als ein Standard-Random-Access-Verfahren (oh eyes Fehlerkorrektur).
• Fountain vs. Replikation: Fountain-Coding schneidet im Allgemeinen besser ab als Nachrichtenreplikation, da jeder kodierte Frame Informationen über alle Quellnachrichten trägt, während die Replikation nur spezifische Frames schützt. Fountain-Coding reagiert jedoch empfindlich auf die Anzahl der Erasures; wenn die Anzahl der verlorenen Frames die Redundanzkapazität übersteigt, schlägt die Dekodierung fehl.
• Einfluss von Parametern:
  • Wake-up-Wahrscheinlichkeit ($P_b$): Die vorgeschlagenen Verfahren sind selbst bei einer niedrigen $P_b$ robust. Im Gegensatz dazu schneidet ein TDMA-Benchmark schlecht ab, wenn $P_b$ niedrig ist, da Sensoren nicht aufwachen und die Zeitschlitzzuweisungen nicht empfangen. TDMA ist den vorgeschlagenen Verfahren nur dann überlegen, wenn $P_b > 0,9$.
  • Schwebedauer: Die Leistung verbessert sich mit längeren Schwebedauern aufgrund der reduzierten Kollisionswahrscheinlichkeit. Bei kurzen Schwebedauern bietet die Nachrichtenreplikation mit geringer Redundanz ($\varepsilon=1$) nur minimale Verbesserungen, während Fountain-Coding unterperformen kann, wenn die Redundanz nicht ausreicht, um mehrere Erasures zu korrigieren.
  • Knotendichte: Wenn die Anzahl der Sensoren steigt, steigen die Kollisionsraten, was alle Verfahren verschlechtert. Dennoch behalten die vorgeschlagenen Verfahren mit ausreichender Redundanz ($\varepsilon=3$) einen Vorteil gegenüber dem Baseline-Verfahren.

Bedeutung und Ansprüche
Die Arbeit kommt zu dem Schluss, dass diese Verfahren eine Methode bieten, die Datenerfassungsleistung in UAV-IoT-Netzwerken zu verbessern, ohne den hohen Komplexitätsaufwand von TDMA oder die Zuverlässigkeitsrisiken von reinem Random Access zu verursachen. Durch die Anpassung der Redundanz an die spezifischen Zeitbeschränkungen des UAV-Besuchs sind die Verfahren darauf ausgelegt, Anwendungen in niedrigen Höhen wie die Präzisionslandwirtschaft und die Infrastrukturüberwachung zu unterstützen. Die Autoren rahmen ihre Arbeit bescheiden als Designphilosophie und analytischen Rahmen ein, der die Lücke in der bestehenden Literatur bezüglich der Fehlerkorrektur unter variablen Kontaktzeiten und Energiebeschränkungen in UAV-IoT-Clustern schließt.