Wenn das IoT-Netz selbst lernt: KI optimiert Funkverbindungen

Künstliche Intelligenz könnte künftig nicht nur Sensordaten auswerten, sondern das Funknetz selbst optimieren. Ein neuer Forschungsansatz lässt IoT-Sensorknoten lernen, wie weit sie tatsächlich senden müssen und welche Verbindungen für ein effizientes Netzwerk notwendig sind.

Weniger Funk kann mehr sein

In dichten drahtlosen Sensornetzen kommunizieren viele Knoten mit hoher Sendeleistung und zahlreichen Nachbarn. Das erhöht die Zahl möglicher Übertragungswege, kostet aber Energie, erzeugt zusätzlichen Kontrollverkehr und kann die Effizienz des Funknetzes beeinträchtigen.

Forscher der Hue University, der Ton Duc Thang University und der Ha Noi University of Business and Technology in Vietnam untersuchen deshalb, wie sich die Netzwerktopologie mithilfe von KI dynamisch optimieren lässt. Le Huu Binh, Thuy-Van T. Duong und Duc Huy Le stellen dafür den neuen Algorithmus FRLTC, Federated Reinforcement Learning-based Topology Control, vor. Die Forschungsarbeit wurde am 17. August 2026 in PLOS ONE veröffentlicht.

Die Idee dahinter ist ebenso einfach wie weitreichend: Nicht jeder Sensor muss jederzeit mit maximaler Reichweite senden. Das Funknetz kann anhand von Signalqualität, Übertragungserfolg, Netzwerktopologie und Kommunikationsbedarf erkennen, welche Verbindungen tatsächlich erforderlich sind, und die Funkparameter entsprechend anpassen.

FRLTC passt die Kommunikationsreichweite einzelner Sensorknoten so an, dass nur eine sinnvolle Zahl direkter Funknachbarn erhalten bleibt. Dadurch soll das Netzwerk Energie sparen, unnötige Funkverbindungen reduzieren und gleichzeitig eine leistungsfähige Datenübertragung sicherstellen.

Drei Technologien greifen ineinander

FRLTC verbindet Reinforcement Learning, Federated Learning und Software-Defined Networking.

Reinforcement Learning (RL) ist eine Methode des maschinellen Lernens, bei der ein System durch Ausprobieren lernt. Aktionen werden anhand eines definierten Ziels bewertet. Im vorliegenden Fall lernt jeder Sensorknoten, seine Sendeleistung beziehungsweise Kommunikationsreichweite so einzustellen, dass eine gewünschte Zahl von Nachbarknoten erreicht wird.

Federated Learning (FL) verteilt Lernprozesse auf mehrere Teilnehmer, anstatt sämtliche Daten an einer zentralen Stelle zu verarbeiten. Bei FRLTC findet ein Teil des Lernens direkt auf den Sensorknoten statt. Allerdings werden hier keine kompletten Modelle oder Rohdaten zwischen den Knoten und dem Controller übertragen. Die Koordination erfolgt auf Entscheidungsebene über kompakte Informationen zur angepassten Kommunikationsreichweite.

Software-Defined Networking (SDN) trennt die zentrale Netzwerksteuerung von den einzelnen Kommunikationsgeräten. Ein SDN-Controller erhält dadurch einen Überblick über das Netz und kann dessen Verhalten gezielt steuern. Bei FRLTC entscheidet ein zusätzliches RL-Modell im Controller, welcher Sensor als Nächstes seine Funkreichweite anpassen soll.

Die Autoren beschreiben ihre Arbeit als erste Anwendung von Federated Learning auf die Topologiesteuerung eines Software-Defined Wireless Sensor Network.

KI optimiert nicht die Daten, sondern das Netzwerk

Darin liegt die besondere Botschaft für Wireless IoT: AI beginnt nicht erst nach der Datenübertragung. Sie kann bereits bestimmen, wie das Funknetz selbst arbeitet.

Anstatt permanent mit maximaler Reichweite zu senden, passen Knoten ihre Kommunikation an die Netzstruktur an. Weniger unnötige Links können Energieverbrauch und Kontrollverkehr reduzieren und Funkressourcen effizienter nutzen.

Simulationen zeigen Vorteile

In Simulationen wurde FRLTC mit mehreren etablierten Verfahren zur Topologiesteuerung verglichen. Der Ansatz zeigte insgesamt eine ausgewogene Performance bei Knotendichte, Energieverbrauch, Funkdämpfung, Datendurchsatz und Verzögerung.

Auch gegenüber einem leistungsfähigen routingbasierten Vergleichsverfahren erzielte FRLTC eine geringere Funkdämpfung und damit günstigere Übertragungsbedingungen. Besonders relevant ist dabei das Zusammenspiel der Faktoren: Das Netz soll nicht nur weniger Energie verbrauchen, sondern gleichzeitig stabile und effiziente Funkverbindungen erhalten.

Vom intelligenten Sensor zum lernenden Funknetz

Noch handelt es sich um Simulationen, nicht um ein industriell eingesetztes IoT-Netzwerk. Die Autoren wollen FRLTC künftig unter anderem mit Deep-Learning-Modellen weiterentwickeln und auf weitere drahtlose Netzwerksysteme übertragen.

Die Perspektive ist dennoch spannend: Wireless IoT könnte sich von statisch konfigurierten Netzen zu lernenden Kommunikationssystemen entwickeln, in denen Sensoren nicht nur Daten erfassen, sondern gemeinsam optimieren, wie diese möglichst effizient übertragen werden.

Mehr erfahren

Die vollständige Forschungsarbeit “FRLTC: A new topology control algorithm using federated reinforcement learning for software-defined wireless sensor network in IoT” ist in PLOS ONE veröffentlicht.

Zur Forschungsarbeit: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0355604