Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/83270
Title: Efficient Communication in Dense Networks
Other Titles: Comunicação Eficiente em Redes Densas
Authors: Subtil, João Miguel Borges 
Orientador: Curado, Marília Pascoal
Keywords: Agregação de dados; Internet das Coisas; Redes de sensores; Redes de baixa energia; Eficiência Energética; Data aggregation; IOT; Sensor networks; Low power networks; Energy efficiency
Issue Date: 10-Jul-2017
Serial title, monograph or event: Efficient Communication in Dense Networks
Place of publication or event: DEI-FCTUC
Abstract: Nos últimos anos o número de redes de Internet das Coisas tem aumentado. Para suportar redes de 5ª Geração (5G) redes altamente densas de larga escala vão ter de ser implementadas. Essas redes vão conter um número enorme de sensores a pilhas, detectando evento e reenviando mensagens em topologias dinâmicas (estrela, malha, ad-hoc) Estas redes altamente densas podem levar um nó a esgotar os seu recursos rapidamente. Portanto essas redes terão de ser tão eficientes quanto possível para operar durante o tempo que for necessário, mantendo as comunicações fiáveis.Este trabalho examina e apresenta um estado-da-arte sobre metodologias de medição de energia e de agregação de dados em redes de baixa potência. Medir o consumo de energia de múltiplos sensores é uma tarefa complexa. Este trabalho apresenta algumas das técnicas usadas e opta por um software para medir o consumo. Este trabalho foca-se também em agregação de dados dentro da rede. Esta agregação é feita em cada salto.A parte crítica deste trabalho é focada no desenvolvimento de um ambiente de testes. Este ambiente de testes consiste em várias placas que comunicam entre si e com um gateway. O objetivo do ambiente de testes é medir o consumo de energia em vários cenários.Com estes desafios em mente, este trabalho apresenta uma abordagem multi-camada para realizar a agregação de dados. O objetivo principal da agregação é reduzir o consumo de energia. Este método é baseado na criação de grupos de nós com configurações semelhantes, aproveitando a semelhança desses dados. O mecanismo final foi capaz de atingir até 9.17% de melhoria no consumo de energia realizando agregação.
In the last few years the number of Internet of Things (IOT) networks has been increasing. In order to support Fifth Generation (5G), large-scale highly- dense networks will have to be deployed. Those networks will contain a massive number of low power, battery operated sensors, sensing and forwarding messages in dynamic topologies (star, mesh, ad-hoc). These highly dense networks can cause rapid exhaustion of a node’s resources. As such they have to be as efficient as possible to operate as long as they are needed, while achieving reliable communications. This work presents and examines state of the art mechanisms for energy measurements and data aggregation in Low power and Lossy network (LLN). Measuring the energy consumption of multiple sensor nodes is a complex task. This work presents some of the techniques used and opts by a software approach to obtain that metric. This work focuses on in-network data aggregation. The data aggregation is performed at every hop. The core part of this work focuses on the development of a testbed environment. This environment consists of several physical boards communicating with each other and a gateway. The main focus of the testbed is measuring the energy consumption across different scenarios. With these challenges in mind, this work presents a cross-layer approach to data aggregation. The main objective of the aggregation is to reduce the power consumption. The method is based on the creation of groups of nodes with similar properties, leveraging the similarity of the exchanged data. The final mechanism is capable of achieving up to 9.17% in energy savings when performing aggregation.
Description: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/83270
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
DISSERTACAO.pdf5.69 MBAdobe PDFView/Open
Show full item record

Page view(s) 50

403
checked on Jul 2, 2020

Download(s) 50

400
checked on Jul 2, 2020

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons