A otimização de mecanismos Adaptative Data Rate (ADR) em redes LoraWAN no contexto da Internet das Coisas (IoT) enfrenta o desafio de a Ineficiência os mecanismos ADR tradicionais em cenários dinâmicos e móveis, e a complexidade computacional de soluções inteligentes para dispositivos de borda. As abordagens existentes, como mecanismos ADR padrão, abordagens baseadas em lógica fuzzy (como FL-ADR e FADR-M), e métodos de Machine Learning (ML) ou Deep Learning (DL), apresentam limitações em a dificuldade de adaptação confiável em condições dinâmicas, a falta de ajuste explicito do tamanho da janela de transmissão à instabilidade do canal em soluções fuzzy anteriores, e a alta complexidade computacional de modelos avançados (FIS/DL) para implementação em dispositivos de borda com recursos limitados.

Este trabalho propõe FADR-CVM, um mecanismo Fuzzy ADR sensível ao Coeficiente de Variação com Janela de Transmissões uplink futuras, o fator de espalhamento (SF) e a potência de transmissão (TP). Além disso, propõe FADR-MLP, um modelo substituto leve baseado em uma rede neural Multi-Layer Perceptron (MLP) para tornar o controlador fuzzy FADR-CVM mais eficiente computacionalmente, visando melhorar a confiabilidade da entrega de dados e a eficiência energética em redes LoRaWAN móveis, e tornar a inteligência adaptativa computacionalmente viável para implementação em dispositivos de borda com recursos limitados.

 

Para avaliar a eficácia da proposta, foi realizado simulações no Simulador de Rede (ns-3) para avaliação de desempenho de rede, e validação de fidelidade do modelo substituto via validação cruzada e análise de complexidade computacional (memória, FLOPs, latência, consumo de energia), utilizando as métricas de Taxa de Entrega de Pacotes (PDR), Consumo Total de Energia (J), Eficiência Energética (bits/J), Erro Médio Quadrático (MSE), Erro Médio Absoluto (MAE), Raiz do Erro Médio Quadrático (RMSE), Coeficiente de Determinação (R2), pegada de memória (KB), Operações de Pontos FLutuantes (FLOPs), latência de Inferência (𝞵s) e consumo de energia estimado.