ارائه راهکارهای جهت بهبود نرخ خواندن و کاهش مصرف انرژی سیستمهای RFID در کاربرد مدیریت ترافیک با در نظر گرفتن سربار تکنیکهای احراز هویت
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 937
This Paper With 21 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TTC13_269
تاریخ نمایه سازی: 25 خرداد 1393
Abstract:
خواندن تمام برچسبهای نصب شده بر روی وسایل نقلیه مهمترین هدف در پیادهسازی یک سیستم RFID برای مدیریت ترافیک میباشد. سرعت و حجم وسایل نقلیه سبب ایجاد مدلهای ترافیکی مختلف در سطح جاده میشود. مهمترین چالش برای خواندن برچسب وسایل نقلیه در مدلهای ترافیکی مختلف، تکراری خوانده شدن برچسب و به تبع آن افزایش نرخ تصادم در یک محیط پویایی است که محدودیت زمانی برای خواندن برچسبها وجود دارد. اضافه شدن تآخیر ناشی از تکنیکهای احراز هویت در چنین شرایطی، احتمال خوانده نشدن برجسب را بیش از پیش افزایش میدهد. «خواباندن برچسب» پس از خوانده شدن موفق، با غلبه براین مشکل، نه تنها باعث افزایش نرخ خواندن میشود،بلکه بهعلت کاهش میزان فعال بودن برچسب در محدوده خواندن، باعث کاهش مصرف انرژی برچسب (کنشگر) نیزمیگردد. براساس نتایج به دست آمده نشان میدهیم که با این کار میتوان حتی با وجود احراز هویت دوطرفه در سیستم، با مصرف 20 درصد انرژی برچسب (نسبت به حالت قبل) به نرخ خواندن بالای 85 درصد در سیستم کنشگر دست یافت که امکان بکارگیری عملکرد برچسب خوان در جهت بهبود مصرف انرژی آن در چنین کاربردهایی از اهمیت ویژهای برخوردار است. برای این منظور راهکار «خواباندن برچسب خوان» براساس نوع مدل ترافیکی را مطرح کردهایم تا بتوان حداکثر صرفهجویی در انرژی را با حفظ حداکثر نرخ خواندن در شرایط مختلف به دست آورد. بکارگیری این راهکار، به صرفهجویی 40 و 70 درصدی انرژی مصرفی برچسب خوان به ترتیب در احراز هویت یکطرفه و دو طرفه منجر میشود.
Keywords:
Authors
سعید میرزایی
دانشجو، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران
ابراهیم امام جمعه
دانشجو، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران
وحید ازهری
دانشجو، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :