earticle

영어

This paper proposes a link adaptation method for Underwater Internet of Things (IoT), which reduces power consumption of sensor nodes and improves the throughput of network in underwater IoT network. Adaptive Modulation and Coding (AMC) technique is one of link adaptation methods. AMC uses the strong correlation between Signal Noise Rate (SNR) and Bit Error Rate (BER), but it is difficult to apply in underwater IoT as it is. Therefore, we propose the machine learning based AMC technique for underwater environments. The proposed Modulation Coding and Scheme (MCS) prediction model predicts transmission method to achieve target BER value in underwater channel environment. It is realistically difficult to apply the predicted transmission method in real underwater communication in reality. Thus, this paper uses the high accuracy BER prediction model to measure the performance of MCS prediction model. Consequently, the proposed AMC technique confirmed the applicability of machine learning by increase the probability of communication success.

한국어

본 논문은 수중 IoT 네트워크에서 센서의 전력 소비를 줄이고 네트워크의 처리량을 향상하는 수중 링크 적응 방법을 제안한다. 링크 적응 방법의 하나인 AMC(Adaptive Modulation and Coding) 기술은 SNR(Signal Noise Rate)과 BER(Bit Error Rate)의 강한 상관관계를 이용하지만, 수중에 바로 적용하는 것은 어렵다. 따라서 수중 환경에 적합한 머신러닝 기반의 AMC 기술을 제안한다. 제안하는 MCS(Modulation Coding and Scheme) 예측 모델은 수중 채널 환경에서 목표 BER 값을 달성하기 위한 통신 방법을 예측한다. 예측된 통신 방법을 실제 수중 무선 통신에서 적용하는 것은 현실적으로 어렵기 때문에 본 논문에서는 높은 정확도의 BER 예측 모델을 사용 해 MCS 예측 모델의 성능을 확인한다. 결과적으로 제안하는 AMC 기술은 통신 성공 확률을 올림으로써 머신러닝 의 적용 가능성을 확인시켰다.