Contribución a la gestión inteligente y autónoma de topologías de red en el internet de las cosas (IoT)

[SPA] En los últimos años, el auge del internet de las cosas (Internet of Things, IoT) ha impulsado el despliegue de un número creciente de dispositivos que requieren conectividad inalámbrica de largo alcance y bajo consumo energético. En este contexto, la tecnología LoRa (Long Range) y su protocolo de red asociado, LoRaWAN (Long Range Wide Area Network), se han consolidado como una de las soluciones más prometedoras para la comunicación de dispositivos distribuidos a gran escala, con aplicaciones en monitorización ambiental, agricultura inteligente o gestión urbana. La arquitectura de LoRaWAN, basada en un esquema de acceso aleatorio ALOHA, ofrece simplicidad y bajo coste, pero también plantea desafíos en términos de escalabilidad, eficiencia energética y fiabilidad de la comunicación, especialmente en entornos densos o con movilidad. A medida que aumenta el número de dispositivos, las colisiones de paquetes y la interferencia co-canal degradan el rendimiento global de la red. Para mejorar la eficiencia, el protocolo incorpora el mecanismo de adaptación de tasa de datos (Adaptive Data Rate, ADR), cuyo objetivo es optimizar la tasa de datos y el consumo energético ajustando parámetros como la potencia de transmisión y el factor de dispersión según la calidad del enlace. Sin embargo, el ADR tradicional presenta limitaciones por su carácter reactivo y su dependencia de promedios históricos, lo que reduce su capacidad de adaptación ante cambios rápidos del entorno o la movilidad de los nodos. Diversos trabajos han intentado mejorar su rendimiento mediante modelos estadísticos, heurísticos o técnicas de inteligencia artificial (IA), en particular aprendizaje automático y aprendizaje por refuerzo. No obstante, muchos de estos enfoques siguen dependiendo de mediciones históricas y carecen de respuesta ágil ante variaciones del canal. Esta tesis aborda los principales retos de adaptabilidad, eficiencia energética y escalabilidad en redes LoRaWAN mediante el desarrollo de mecanismos inteligentes y herramientas de simulación eficientes. En una primera línea, se proponen enfoques para la optimización de los parámetros de transmisión basados en aprendizaje por refuerzo profundo (Deep Reinforcement Learning, DRL), predicción ligera y mecanismos proactivos adaptativos. En una segunda línea, se presenta un simulador que reduce drásticamente la complejidad frente a los simuladores por eventos discretos, permitiendo analizar estrategias de transmisión con alto realismo y bajo tiempo de ejecución. Finalmente, se aborda el control de congestión en redes densas mediante aprendizaje colaborativo y reducción de datos, equilibrando la carga del canal y optimizando el uso del ciclo de trabajo (duty cycle). En conjunto, estas contribuciones avanzan hacia redes IoT más autónomas, adaptativas y energéticamente sostenibles.[ENG] In recent years, the rise of the Internet of Things (IoT) has driven the deployment of an increasing number of devices requiring long-range and energy-efficient wireless connectivity. In this context, Long Range (LoRa) technology and its associated network protocol, Long Range Wide Area Network (LoRaWAN), have become one of the most promising solutions for large-scale distributed communications, enabling applications such as environmental monitoring, smart agriculture, and urban management. The LoRaWAN architecture, based on an ALOHA random access scheme, offers simplicity and low cost but also poses challenges in terms of scalability, energy efficiency, and communication reliability, especially in dense or mobile environments. As the number of devices increases, packet collisions and co-channel interference degrade the overall network performance. To improve efficiency, the protocol incorporates the Adaptive Data Rate (ADR) mechanism, which aims to optimize data rate and energy consumption by adjusting parameters such as transmission power and spreading factor according to the observed link quality. However, conventional ADR presents limitations due to its reactive behavior and dependence on historical signal averages, which reduces its adaptability to rapid environmental changes or node mobility. Several studies have attempted to enhance its performance through statistical, heuristic, or artificial intelligence (AI) models, particularly using machine learning and reinforcement learning techniques. Nevertheless, many of these approaches still rely on historical measurements and lack the ability to respond promptly to channel variations. This thesis addresses the main challenges of adaptability, energy efficiency, and scalability in LoRaWAN networks through the development of intelligent mechanisms and efficient simulation tools. The first research line proposes approaches for the optimization of transmission parameters based on Deep Reinforcement Learning (DRL), lightweight prediction, and proactive adaptive mechanisms. The second line introduces a simulation framework that drastically reduces computational complexity compared to discrete-event simulators, enabling the analysis of transmission strategies with high realism and low execution time. Finally, congestion control in dense networks is addressed through collaborative learning and data reduction techniques, which balance channel load and optimize duty cycle utilization. Altogether, these contributions advance toward more autonomous, adaptive, and energy-efficient IoT networks.

Author

• Acosta García, Laura del Carmen

• Internet of Things (IoT)
• Long Range (LoRa)
• Long Range Wide Area Network (LoRaWAN)
• Dispositivo
• Comunicación

Identifier

hdl:10317/21525

OAI identifier oai:identifier

oai:repositorio.upct.es:10317/21525