Published June 1, 2023 | Version v1
Publication Open

Link Adaptation Strategy for Underwater Acoustic Sensor Networks: A Machine Learning Approach

Creators

  • 1. Gomal University
  • 2. Budapest University of Technology and Economics

Description

Abstract Due to growing concerns regarding their use in fields including oceanography, commercial marine operations, and military surveillance, demand in the exploration of underwater sensor networks for marine studies has developed. Network channels for underwater sensor network (USN) rapidly change (spatially and temporally) depending on the surroundings. To increase system efficiency by adjusting transmission parameters to channel fluctuations, it is alluring to utilize adaptive modulation and coding (AMC) for USNs. In order to determine the best link adaptation method based on the channel quality, this article focuses on evaluating a measured sea trial dataset utilizing a rule-based approach (i.e., three-dimensional evaluation, modulation-wise analysis, and a fixed-SNR strategy). To determine the optimum AMC combinations in terms of channel adaptively, we draw a situation of the measured USN data rate versus Bit Error Rate (BER) and Signal to Noise Ratio (SNR). The work further extends to apply machine learning (ML) methods to identify the MCS levels by looking into the channel characteristics due to the non-reversibility limitation of the rule-based strategy. One of the ML methods we used for the investigation, gradient boosted regression tree (GBRT), exhibits impressive accuracy of 99.988% in classifying MCS levels. The MCS levels are related to channel statistics and signal characteristics, particularly those that are susceptible to SNR and BER limitations, using an ensemble of trees that learns from the buoy and base station's uplink data.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

نظرًا للمخاوف المتزايدة بشأن استخدامها في مجالات بما في ذلك علم المحيطات والعمليات البحرية التجارية والمراقبة العسكرية، فقد تطور الطلب في استكشاف شبكات الاستشعار تحت الماء للدراسات البحرية. تتغير قنوات الشبكة لشبكة الاستشعار تحت الماء (USN) بسرعة (مكانيًا وزمانيًا) اعتمادًا على البيئة المحيطة. لزيادة كفاءة النظام من خلال ضبط معلمات الإرسال لتقلبات القناة، من المغري استخدام التعديل والتشفير التكيفي (AMC) لشبكات USN. من أجل تحديد أفضل طريقة لتكييف الروابط بناءً على جودة القناة، تركز هذه المقالة على تقييم مجموعة بيانات تجربة SEA المقاسة باستخدام نهج قائم على القواعد (أي التقييم ثلاثي الأبعاد، والتحليل من حيث التعديل، واستراتيجية SNR الثابتة). لتحديد مجموعات AMC المثلى من حيث القناة بشكل تكيفي، نرسم حالة معدل بيانات USN المقاس مقابل معدل خطأ البت (BER) ونسبة الإشارة إلى الضوضاء (SNR). يمتد العمل كذلك لتطبيق أساليب التعلم الآلي (ML) لتحديد مستويات MCS من خلال النظر في خصائص القناة بسبب قيود عدم الانعكاس للاستراتيجية القائمة على القواعد. تُظهر إحدى طرق تعلم الآلة التي استخدمناها في التحقيق، وهي شجرة الانحدار المعزز بالتدرج (GBRT)، دقة مثيرة للإعجاب بنسبة 99.988 ٪ في تصنيف مستويات MCS. ترتبط مستويات MCS بإحصاءات القناة وخصائص الإشارة، خاصة تلك التي تكون عرضة لقيود SNR و BER، باستخدام مجموعة من الأشجار التي تتعلم من بيانات الوصلة الصاعدة للعوامة والمحطة الأساسية.

Translated Description (French)

Résumé En raison des préoccupations croissantes concernant leur utilisation dans des domaines tels que l'océanographie, les opérations maritimes commerciales et la surveillance militaire, la demande dans l'exploration de réseaux de capteurs sous-marins pour les études marines s'est développée. Les canaux de réseau pour le réseau de capteurs sous-marins (USN) changent rapidement (spatialement et temporellement) en fonction de l'environnement. Pour augmenter l'efficacité du système en ajustant les paramètres de transmission aux fluctuations des canaux, il est intéressant d'utiliser la modulation et le codage adaptatifs (AMC) pour les USN. Afin de déterminer la meilleure méthode d'adaptation de liaison basée sur la qualité du canal, cet article se concentre sur l'évaluation d'un ensemble de données d'essais en mer mesurées à l'aide d'une approche basée sur des règles (c'est-à-dire une évaluation tridimensionnelle, une analyse modulée et une stratégie de RSN fixe). Pour déterminer les combinaisons AMC optimales en termes de canal de manière adaptative, nous dessinons une situation du débit de données USN mesuré par rapport au taux d'erreur binaire (ber) et au rapport signal sur bruit (SNR). Le travail s'étend en outre à l'application de méthodes d'apprentissage automatique (ML) pour identifier les niveaux MCS en examinant les caractéristiques du canal en raison de la limitation de non-réversibilité de la stratégie basée sur des règles. L'une des méthodes de ML que nous avons utilisées pour l'enquête, l'arbre de régression boosté par gradient (GBRT), présente une précision impressionnante de 99,988% dans la classification des niveaux de MCS. Les niveaux MCS sont liés aux statistiques de canal et aux caractéristiques du signal, en particulier celles qui sont sensibles aux limitations SNR et BER, en utilisant un ensemble d'arbres qui apprennent des données de liaison montante de la bouée et de la station de base.

Translated Description (Spanish)

Resumen Debido a las crecientes preocupaciones con respecto a su uso en campos como la oceanografía, las operaciones marítimas comerciales y la vigilancia militar, se ha desarrollado la demanda en la exploración de redes de sensores submarinos para estudios marinos. Los canales de red para la red de sensores submarinos (USN) cambian rápidamente (espacial y temporalmente) dependiendo del entorno. Para aumentar la eficiencia del sistema ajustando los parámetros de transmisión a las fluctuaciones del canal, es atractivo utilizar la modulación y codificación adaptativas (AMC) para las USN. Con el fin de determinar el mejor método de adaptación de enlaces basado en la calidad del canal, este artículo se centra en la evaluación de un conjunto de datos de ensayos de mar medidos utilizando un enfoque basado en reglas (es decir, evaluación tridimensional, análisis de modulación y una estrategia fija de SNR). Para determinar las combinaciones óptimas de AMC en términos de canal de forma adaptativa, dibujamos una situación de la tasa de datos USN medida frente a la tasa de errores de bits (Ber) y la relación señal/ruido (SNR). El trabajo se extiende aún más para aplicar métodos de aprendizaje automático (ML) para identificar los niveles de MCS al analizar las características del canal debido a la limitación de no reversibilidad de la estrategia basada en reglas. Uno de los métodos de ML que utilizamos para la investigación, el árbol de regresión impulsado por gradiente (GBRT), muestra una precisión impresionante del 99.988% en la clasificación de los niveles de MCS. Los niveles de MCS están relacionados con las estadísticas del canal y las características de la señal, particularmente aquellas que son susceptibles a las limitaciones de SNR y BER, utilizando un conjunto de árboles que aprende de los datos de enlace ascendente de la boya y la estación base.

Files

jsiot-2023-0006.pdf

Files (757.9 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:896489c564a201dadaeb763c96d2c788
757.9 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
ربط استراتيجية التكيف لشبكات الاستشعار الصوتي تحت الماء: نهج التعلم الآلي
Translated title (French)
Stratégie d'adaptation des liens pour les réseaux de capteurs acoustiques sous-marins : une approche d'apprentissage automatique
Translated title (Spanish)
Estrategia de adaptación de enlaces para redes de sensores acústicos subacuáticos: un enfoque de aprendizaje automático

Identifiers

Other
https://openalex.org/W4387644949
DOI
10.2478/jsiot-2023-0006

Is supplement to
https://openalex.org/W4321608401 (Other)
https://openalex.org/W4300468626 (Other)
https://openalex.org/W3040536194 (Other)
https://openalex.org/W2909457694 (Other)
https://openalex.org/W2904599916 (Other)
https://openalex.org/W2553710680 (Other)
https://openalex.org/W2548963335 (Other)
https://openalex.org/W2159941915 (Other)
https://openalex.org/W1995129237 (Other)
https://openalex.org/W1761601995 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Pakistan

References

  • https://openalex.org/W1990640524
  • https://openalex.org/W1998790377
  • https://openalex.org/W2016952580
  • https://openalex.org/W2039960435
  • https://openalex.org/W2060299345
  • https://openalex.org/W2078290316
  • https://openalex.org/W2090341961
  • https://openalex.org/W2101048640
  • https://openalex.org/W2115102597
  • https://openalex.org/W2120944742
  • https://openalex.org/W2131665779
  • https://openalex.org/W2136966969
  • https://openalex.org/W2149084654
  • https://openalex.org/W2149472588
  • https://openalex.org/W2150424389
  • https://openalex.org/W2153182694
  • https://openalex.org/W2157485058
  • https://openalex.org/W2170984917
  • https://openalex.org/W2268179553
  • https://openalex.org/W2308002575
  • https://openalex.org/W2417732169
  • https://openalex.org/W2548458447
  • https://openalex.org/W2556483049
  • https://openalex.org/W2589617704
  • https://openalex.org/W2790994825
  • https://openalex.org/W2794487322
  • https://openalex.org/W2804425550
  • https://openalex.org/W2931920148
  • https://openalex.org/W2939130789
  • https://openalex.org/W4205114660
  • https://openalex.org/W4210964825
  • https://openalex.org/W58949250