Wireless Sensor Networks (WSNs) employ ISM spectrum bands for communication, which are overloaded due to various technologies such as WLANs and other WSNs. Therefore, such networks must employ intelligent methods such as Cognitive Radio to coexist with other networks. This study evaluates the use of Supervised Machine Learning (ML) for channel selection in WSNs, considering the channel quality and communication metrics. The methods were evaluated experimentally and compared with energy-based methods. The results show that ML-based methods increase the communication performance by reducing the number of transmission attempts and therefore also reducing the delivery delay.
I. INTRODUÇÃOUm estudo da FCC (Federal Communications Commision) [1] mostrou que as regras atuais adotadas para alocação de canal causam perdas consideráveis na eficiência e aproveitamento do espectro, pois em inúmeros intervalos de tempo os usuários licenciados ao uso desses canais não estão em operação [2], [3]. Além disso, o acúmulo de usuários não licenciados em frequências livres gera interferências, causando perdas de informação e um aumento no consumo de energia. Redes de Sensores Sem Fio (RSSFs) são suscetíveis a esse problema, o que levà a redução do seu tempo de vida.Por isso, as RSSFs deveriam adotar técnicas que explorem o espectro com mais eficiência, de forma a coexistir com usuários de diferentes redes sem causar conflitos entre elas. Os Rádios Cognitivos (RCs) permitem uma melhor exploração de faixas de frequência pouco utilizadas [3]. Neste trabalho seguimos a definição de [4], onde o RC mensura o ambiente eletromagnético no qual ele opera, para ajustar seus parâmetros de forma autônoma e dinâmica, de forma a aumentar o fluxo de dados, reduzir a interferência e facilitar a interoperabilidade.No caso das RSSFs, que empregam a faixa de frequência não licenciada ISM (Industrial, Scientific and Medical), as funções de RC são utilizadas para aumentar a coexistência de múltiplas redes, ao mesmo tempo que garantem uma comunicação mais eficiente e confiável [5]. Enquanto nos RCs "tradicionais" procura-se selecionar faixas de frequência livres de usuários licenciados (também chamados de Usuários Primários), nas RSSFs os RCs selecionam canais com melhores condições para a comunicação, evitando a interferência tanto de outras RSSFs instaladas na região quanto de outros tipos de redes operando na faixa ISM (Wi-Fi, Bluetooth, etc). Entretanto, o principal desafio na implementação de RCs em RSSFś e a limitação de recursos de processamento, memória e energia destas redes. Assim, as soluções de RC existentes devem ser adequadasàs restrições das RSSFs.Neste trabalho propomos o emprego de Aprendizado de Máquina (AM) para a seleção de canais em RSSFs. As soluções propostas são avaliadas experimentalmente, comparando o seu desempenho com soluções baseadas somente em energia, as quais são populares em ambientes reais. Foram coletados dados de desempenho acerca de uma sequência de transmissões e recepções realizadas, como forma de quantificar o nível...
