Efficient Resource Allocation Framework for LoRaWAN Network via Online Learning

doi:10.1109/JIOT.2026.3676777

Efficient Resource Allocation Framework for LoRaWAN Network via Online Learning

2026-03-23

0

PRE

AI

DOI：10.1109/JIOT.2026.3676777

原文链接

原文求助

摘要

En 中文

大规模长距离广域网络（LoRaWAN）网络的部署需要通过动态分配传输参数（包括载波频率（CF）、扩频因子（SF）和传输功率（TP））来联合优化冲突指标，如数据包投递率（PDR）和能量效率（EE）。现有算法通常忽略多目标动态适应的复杂性，过度简化此挑战，聚焦于单一指标或缺乏动态信道环境所需的适应性，导致性能次优。为解决此问题，我们提出了两种基于在线学习的资源分配框架，以智能地导航PDR-EE权衡。我们的基础方案D-LoRa是一种完全分布式框架，将问题建模为组合多臂赌博机（CMAB）。通过分解联合参数选择并采用专门的、解耦的奖励函数，D-LoRa显著降低了学习复杂度，使节点能够自主适应网络动态。为进一步提升LoRaWAN网络性能，我们引入CD-LoRa，一种混合框架，整合轻量级集中式初始化阶段，执行一次准最优信道分配和动作空间修剪，从而加速后续分布式学习。广泛的仿真和真实世界现场实验证明了我们框架的优越性，显示D-LoRa在非平稳环境中表现优异，而CD-LoRa实现了最快收敛。在实际部署中，我们的算法优于当前最优基线，将PDR最高提升10.8%，EE提升26.1%，展示了其实用有效性。此外，包含多达250个节点的广泛仿真证实了所提框架在大规模LoRaWAN网络中的可扩展性和效率。

Keyword:

Combinatorial multiarmed bandit (CMAB)

distributed machine learning

energy efficiency (EE)

long-range wide-area network (LoRaWAN)

online learning

packet delivery ratio (PDR)

resource allocation

Efficient Resource Allocation Framework for LoRaWAN Network via Online Learning

摘要

期刊

机构

引用论文