GNU Radio Implementation of MALIN: "Multi-Armed bandits Learning for Internet-of-things Networks"

Implémentation GNU Radio de MALIN: "stratégies d'apprentissage de bandits multi-bras pour des réseaux de l'Internet des Objets" ("Multi-Armed bandits Learning for Internet-of-things Networks")

Lilian Besson (1, 2, 3, 4, 5) , Remi Bonnefoi (1, 2, 4, 5) , Christophe Moy (1, 4, 6)

1 IETR - Institut d'Électronique et des Technologies du numéRique
2 SUPELEC-Campus Rennes
3 SEQUEL - Sequential Learning
4 SCEE - Signal, Communication et Electronique Embarquée
5 CentraleSupélec
6 UR - Université de Rennes

We implement an IoT network in the following way: one gateway, one or several intelligent (i.e., learning) objects, embedding the proposed solution, and a traffic generator that emulates radio interferences from many other objects. Intelligent objects communicate with the gateway with a wireless ALOHA-based protocol, which does not require any specific overhead for the learning. We model the network access as a discrete sequential decision making problem, and using the framework and algorithms from Multi-Armed Bandit (MAB) learning, we show that intelligent objects can improve their access to the network by using low complexity and decentralized algorithms, such as UCB1 and Thompson Sampling. This solution could be added in a straightforward and costless manner in LoRaWAN networks, just by adding this feature in some or all the devices, without any modification on the network side.

Nous implémentons un réseau IoT de la manière suivante : une station de base, un ou plusieurs objets intelligents (c'est-à-dire dotés de capacité d'apprentissage), intégrant la solution proposée, et un générateur de trafic qui émule les interférences radio de nombreux autres objets. Les objets intelligents communiquent avec la station de base à l'aide d'un protocole sans fil basé sur ALOHA, qui ne nécessite pas de surcharge spécifique pour l'apprentissage. Nous modélisons l'accès au réseau comme un problème de prise de décision séquentielle discrète, et en utilisant le cadre et les algorithmes de l'apprentissage des bandits multi-bras (MAB, Multi-Armed Bandit), nous montrons que les objets intelligents peuvent améliorer leur accès au réseau en utilisant des algorithmes peu complexes et décentralisés, tels que UCB1 et Thompson Sampling. Cette solution pourrait être ajoutée de manière simple et gratuite dans les réseaux LoRaWAN, simplement en ajoutant cette fonctionnalité dans certains ou tous les appareils, sans aucune modification côté réseau.

Domaines: Réseaux et télécommunications [cs.NI]

Lilian Besson, Remi Bonnefoi, Christophe Moy. GNU Radio Implementation of MALIN: "Multi-Armed bandits Learning for Internet-of-things Networks". IEEE WCNC 2019 - IEEE Wireless Communications and Networking Conference, Apr 2019, Marrakech, Morocco. ⟨10.1109/WCNC.2019.8885841⟩. ⟨hal-02006825⟩