Effiziente broadcast Datenübertragung in mobilen Ad-hoc-Netzwerken : ein intelligentes Protokoll für intelligente Umgebungen

Ein wichtiger Baustein zur Realisierung von “umgebende Intelligenz” sind effiziente und gleichzeitig zuverlässige Datenübertragungsprotokolle. Die Verteilung von Daten via Broadcast besitzt ein großes Potential Kommunikation in solchen dezentralen, infrastrukturlosen Netzwerken bereitzustellen. In dieser Arbeit wird ein Broadcast-Protokoll entwickelt, das optimal an die Anforderungen von intelligenten Umgebungen und deren Applikationen angepasst ist. Mit Hilfe evolutionärer Algorithmen werden Parametersätze eines generischen Protokolls hinsichtlich verschiedener Zielsetzungen optimiert. Das Protokollverhalten wird von einem Klassifizierer aus dem Bereich des maschinellen Lernens nachgebildet. Dieser bildet den Kern eines neuen adaptiven Broadcast-Protokolls. Zur weiteren Verbesserung der Zustellrate wird das auf dem maschinellen Lernverfahren basierende Protokoll um eine adaptive Vorwärtsfehlerkorrektur erweitert. Diese ist in der Lage zur Laufzeit ein optimales Verhalten in Abhängigkeit von der Wichtigkeit der Daten zu lernen. Anhand von Simulationsläufen wird die Leistungsfähigkeit der vorgestellten Lösungen gegenüber einer Vielzahl anderer Ansätze gezeigt. Um auch die Machbarkeit und Leistungsfähigkeit des Protokolls in der realen Welt zu zeigen, wird in einer prototypischen Implementierung ein Audiokommunikationssystem auf Smartphones umgesetzt. Damit können die guten Ergebnisse der Simulationen bestätigt werden.An important building block towards the realization of “Ambient Intelligence” (AmI) are efficient and reliable data transfer protocols. Data dissemination via broadcast has great potential to provide communication in such decentralized, infrastructureless networks. In this work a broadcast protocol is developed that is tailored towards the requirements of AmI-environments and its applications. With the help of evolutionary algorithms, parameter sets of a generic protocol are optimized with regard to multiple objectives. The behavior of the protocol is reproduced by a machine learning classifier which forms the core of a new adaptive broadcast protocol. Further improving the delivery ratio, the machine learning based protocol is extended by an adaptive forward error correction. It is able to learn an optimal behaviour depending on the priority of the data at runtime. The performance of the presented solutions over existing approaches is shown via simulations. To show the feasibility and performance in a real world environment, an audio communication system has been implemented on smartphones. The experiments confirmed the results from the simulations