مقالة منهجية

آلية التحكم الذكية في الازدحام لشبكات المستشعرات اللاسلكية المدعومة بإنترنت الأشياء باستخدام تقنية التجميع والجدولة الهجينة

DOI:

10.3791/69909

⸱

يناير 13, 2026

 ,  ,  ,  , 
1School of Computing, Sathyabama Institute of Science & Technology (Deemed to be University), 2Department of Computer Engineering and Technology, MIT World Peace University, 3Department of Computer Engineering, Vishwakarma University, 4Department of Electrical Engineering, San Jose State University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا البروتوكول طريقة ذكية للتحكم في الازدحام لشبكة التخزين البيضاء المدعومة بإنترنت الأشياء باستخدام تقنية هجينة للتجميع والجدولة مدعومة بطبقة قرار عصبية ضبابية. يعزز النظام المقترح توصيل الحزم، والتأخير، ومعدل النقل، وكفاءة الطاقة، مما يزيد من عمر الشبكة مع ضمان جودة الخدمة في حالة الأحمال المتغيرة لإنترنت الأشياء.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يؤدي الازدحام في شبكات الاستشعار اللاسلكية المدعومة بإنترنت الأشياء إلى تدهور تسليم الحزم، وفترة التأخير واستهلاك الطاقة، مما يضر بالشبكة، خاصة في ظروف المرور المتوترة والمتجانسة. يوضح هذا البروتوكول تقنية ذكية للتحكم في الازدحام تجمع بين تجميع البيانات الهجين، والجدولة التكيفية، ومحرك قرار عصبي ضبابي للتعامل بكفاءة مع حمل الشبكة. تتضمن الطريقة أولا توليد بيانات محاكاة، وإنشاء طوبولوجيات لكثافات عقد مختلفة، وإعداد أنماط حركة المرور باستخدام NS-2.35. يتم الحصول على آثار الحزم لكل سيناريو للسماح بتقييم قابل للتكرار. يشير سير عمل البروتوكول إلى الجمع بين آليتين: (1) التجميع الهجين، الذي يجمع الحزم في نوافذ زمنية وقائمة على العد مع الاحتفاظ بتسميات الأولوية، و(2) الجدولة التكيفية، التي تتعامل مع قوائم الانتظار ذات الأولوية المزدوجة عبر التدوير الموزون. يقوم المتحكم العصبي الضبابي دائما بتقييم احتلال المخزن المؤقت، وجودة الوصلات، واستخدام القناة، والطاقة المتبقية، وأولوية الحركة. بأخذ هذه المدخلات، ينظم عمق التجميع، وأوزان الطابور، وقرارات النقل من خلال الاستدلال الضبابي والتعلم العصبي التكيفي. تشمل مهام قياس الأداء حساب نسبة تسليم الحزم، وزمن الاستجابة من الطرف إلى النهاية، ومعدل النقل، واستهلاك الطاقة على مستوى العقدة، وعمر الشبكة. تجرى تحليلات إحصائية عبر عدة محاولات للتحقق من موثوقية النتائج. يكشف هذا النهج عن أداء أفضل في المحاكاة مقارنة بالمخططات الأساسية. يقدم هذا البروتوكول إطارا قابلا للتكرار لاستكشاف طرق التحكم الهجينة في الازدحام التي تمكن من التشغيل الموفر للطاقة والتوسع والوعي بجودة الخدمة في بيئات WSN المدعومة بإنترنت الأشياء.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

النمو الهائل لإنترنت الأشياء (IoT) استلزم نشر مليارات الأجهزة المترابطة، والتي تستخدم شبكات أجهزة الاستشعار اللاسلكية (WSNs) لتوفير المراقبة الفورية ودعم اتخاذ القرار في معظم الحالات 1,2. تصبح هذه الشبكات الهياكل الأساسية للأنظمة المدعومة بإنترنت الأشياء في مجالات مختلفة جذريا، مثل مراقبة الرعاية الصحية3، المدن الذكية4، الزراعة الدقيقة5، الأتمتة الصناعية6، والاستشعار البيئي7. تتكون شبكات WSN من عقد حساسات تمتلك موارد محدودة مثل عرض النطاق الترددي، والطاقة، والقدرة الحاسوبية. تزيد القيود من تفاقم المشكلة لأن حركة إنترنت الأشياء ديناميكية جدا ومتقطعة، وبالتالي فإن الشبكات المذكورة عرضة بشدة للازدحام8.

هذا البروتوكول ذو صلة خاصة بعمليات نشر إنترنت الأشياء على نطاق متوسط إلى كبير (150-750 عقدة) التي تنتج حركة مرور مختلطة دورية وانفجارية تحت قيود طاقة صارمة. يمكن العثور على مثل هذه الحالات كثيرا في أنظمة مراقبة الرعاية الصحية، واستشعار المدن الذكية، وأتمتة الصناعة، حيث لا يزال من الضروري ضمان توصيل موثوق واتصال منخفض التأخير رغم محدودية الموارد للعقد9.

قد يؤثر الازدحام في شبكات الشبكة بشكل كبير على قدرة أداء الشبكة من خلال عدة وسائل، منها فقدان الحزم، وزيادة تأخيرات الانتظار، وانخفاض معدل الإنتاجية، وتسريع استنزاف الطاقة 8,10. في سيناريوهات إنترنت الأشياء الحرجة للمهام، مثل الطب عن بعد أو الإغاثة من الكوارث، يمكن أن يكون التأخير الناتج عن الازدحام أو فقدان الحزم إلى عواقب قاتلة11,12. تنتشر طرق التحكم في الازدحام الحالية إلى ثلاث فئات رئيسية: المخططات القائمة على حركة المرور (تحديد معدل المصدر، التحكم في الضغط العكسي)13،14، المخططات القائمة على التجميع (تركيبة البيانات داخل الشبكة)15،16، والمخططات القائمة على الجدولة (أولوية الطوابير، تخصيص القنوات) 9،17. لذا، تحقق هذه التقنيات مستوى معينا من النجاح لكنها أيضا تحمل عيوبا عند استخدامها بمفردها. على سبيل المثال، غالبا ما تكون الطرق القائمة على حركة المرور مخطئة في تدهور أداء التطبيقات بسبب تقليل معدلات المصدر بطريقة غير انتقائية. تلغي الطرق القائمة على التجميع التكرار لكنها تضيف تأخيرا إلى التدفقات الحرجة زمنيا. بينما يمكن للاستراتيجيات القائمة على الجدولة أن تزيد من مستوى العدالة، إلا أنها لا تستطيع العمل بفعالية دون وجود أحمال حركة مرور عاليةأخرى.

مقارنة بأنظمة الحركة فقط، والتجميع فقط، والجدولة فقط، يوفر التحكم العصبي الضبابي الهجين موازنة أكثر توازنا بين موثوقية تسليم الحزم، والوقت المتأخر، واستهلاك الطاقة. من خلال تنظيم عمق التجميع وأولوية الجدولة بشكل مشترك بناء على حالة الشبكة في الوقت الحقيقي، يخفف النهج المقترح من الازدحام بشكل أكثر فعالية تحت أعباء عمل إنترنت الأشياء الثقيلة والمتجانسة18.

دوافع البحث
تولد شبكات الاستشعار اللاسلكية المدعومة بإنترنت الأشياء حركة مرور غير متجانسة وغالبا ما تكون متقطعة، مما يجعلها عرضة للازدحام، وتجاوز الطوابير، وإعادة الإرسال المفرطة. تفشل البرامج القائمة القائمة على حركة المرور أو التجميع فقط، أو الجدولة فقط، في تحقيق توازن متوازن بين تسليم الحزم، والتأخير، واستهلاك الطاقة تحت ظروف الحمل الديناميكي19،20. مدفوعة بهذه القيود، تقدم هذه الدراسة بروتوكولا هجينا للتحكم في الازدحام يجمع بين التجميع التكيفي، والجدولة الواعية لجودة الخدمة (QoS)، واتخاذ القرار العصبي الضبابي لتوفير أداء موثوق، واع بالتأخير، وكفاءة في استهلاك الطاقة في بيئات كثافة إنترنت الأشياء وشبكات ال WSN.

أبرزت الأعمال الحديثة إمكانات الآليات الهجينة التي تجمع بين التجميع والجدولة لتحقيق توازن بين معدل الإنتاجية، وفترة التأخير، وكفاءة الطاقة21,22. تعزز الطرق التكيفية التي تستخدم المنطق الضبابي، التعلم التعزيزي، أو الاستنتاج العصبي الضبابي استجابة الحالات الديناميكيةللشبكة 23،24،25،26. ومع ذلك، تعتمد معظم الطرق الحالية على العتبات الثابتة، وتزيد من الأعباء الحاسوبية غير المناسبة للعقد ذات الموارد المحدودة، وليست قوية تحت أحمال إنترنت الأشياء المتجانسة27,28. لذلك، لا يزال الطلب على آليات التحكم الذكية في الازدحام خفيفة الوزن وقابلة للتكيف وقادرة على الاستجابة لتغيرات حركة المرور مع تمديد عمر الشبكة مرتفعا جدا.

أجريت دراسات مختلفة لإبراز الموثوقية، وتعزيز جودة الخدمة، وميزات التعامل الآمن مع البيانات في شبكات التخزين البيضاء المدعومة بإنترنت الأشياء. وقد وجد أن أنظمة اكتشاف واسترداد الأعطال الواعية للطاقة29,30 تزيد من المتانة والأداء الكامل في البيئات المتغيرة31. يمكن استخدام بروتوكولات البلوكشين الخفيفة الوزن لتعزيز تأمين التواصل البياني في تطبيقات إنترنت الأشياء-WSN. يساعد تطبيق طرق كشف الأخطاء الهرمية القائمة على القواعد أيضا في الحفاظ على جودة الخدمة في نشر المستشعرات الذي يكون محدودا من الموارد. تشير هذه التحسينات إلى الطلب على حلول التحكم في الازدحام التي يمكن دمجها مع الموثوقية والأمان والاستخدام الفعال للموارد في أنظمة إنترنت الأشياء الحديثة.

بينما تم البحث على نطاق واسع في تقنيات التحكم في الازدحام لشبكات WSN، إلا أن الحلول الحالية تأخذ في الاعتبار آليات الطبقة الواحدة فقط - مثل تعديل معدل الحركة أو التجميع أو الجدولة15. ومع ذلك، يتميز البروتوكول المعني بآلية تكيفية متعددة الطبقات حيث تتفاعل التجميع الهجين، والجدولة الواعية بالأولوية، واتخاذ القرار العصبي الضبابي معا وتحدث بعضها البعض بشكل مستمر. على عكس الطرق التقليدية التي تعتمد فقط على الفوزي، يستخدم NFDE الضبط العصبي التكيفي الموجه بنظام ANFIS، مما يسمح بتغييرات فورية في وظائف العضوية ومعلمات القواعد حسب أنماط الحركة الفعلية. يختلف البروتوكول المقترح بشكل كبير عن النماذج الأخرى بفضل هذا التنسيق المتكامل عبر الطبقات مع حوسبة خفيفة تناسب أجهزة إنترنت الأشياء.

قبل هذه الورقة، أجريت العديد من الأبحاث حول الازدحام في شبكات التخزين الفضائي، والتي يتضح من خلال العديد من الدراسات التي أبلغت عن مئات الخوارزميات التي تعالج الازدحام عند مستويات الرابط، أو تجاوز المخزن المؤقت، أو مستويات المتنافس المتوسط. تم تصميم معظم الحلول لمعالجة هذه المشكلات في طبقة بروتوكول واحدة، بينما لم يتم التعامل مع مشكلة التحكم التكيفي متعدد الطبقات في الازدحام إلا بعد 9,21. تملأ هذه الأبحاث الفراغ من خلال دمج التكيف عبر الطبقات مع وحدة خفيفة الوزن عصبية ضبابية لأجهزة من فئة إنترنت الأشياء.

نظرا لهذه المشكلات، طرحت الأبحاث آلية ذكية للتحكم في الازدحام قادرة على دمج تقنيات التجميع والجدولة الهجينة مع محرك قرار عصبي ضبابي لشبكات التخزين البيضاء الجاهزة للإنترنت الأشياء. يقوم مكون التجميع بتقليل التكرار من خلال استخدام نوافذ زمنية وعد الحزم. يضمن مكون الجدولة العدالة والامتثال لجودة الخدمة من خلال الروبن الدائري المرجح عبر الطوابير المزدوجة للتدفقات الحرجة وغير الحرجة. يتتبع محرك العصبية الضبابية متغيرات الحالة الرئيسية للشبكة، ويربط بشكل مشترك احتلال، واستخدام القناة، والطاقة المتبقية، وجودة الوصلات، وأولوية الحركة. باستخدام قواعد الاستدلال الضبابية التي تعزز بالتعلم العصبي التكيفي، يغير المتحكم عمق التجميع، وأوزان الجدولة، ومعدلات النقل. يتيح هذا النظام المغلق للبروتوكول أن يكون مرنا بما فيه الكفاية في حالات الازدحام في الوقت الحقيقي.

قمنا بإعداد الأسئلة البحثية الرئيسية، والتي ساعدتنا على تحديد نطاق وأهمية الدراسة، لنتمكن من عرضها بوضوح. الأسئلة البحثية التي وجهت البحث هي كما يلي:
RQ1: كيف يمكن للتجميع والجدولة الهجين تقليل الازدحام في شبكات التخزين الوظيفية المدعومة بإنترنت الأشياء بشكل أكثر فعالية من الطرق المستقلة؟
RQ2: ما هو دور محرك القرار العصبي الضبابي في التكيف مع حالات الشبكة تحت أحمال حركة المرور المتغيرة؟
RQ3: كيف يحسن البروتوكول المقترح نسبة تسليم الحزم، والتأخير، وسرعة الإنتاج، وكفاءة الطاقة مقارنة بأنظمة التحكم التقليدية في الازدحام؟
RQ4: هل يمكن للبروتوكول المقترح إطالة عمر الشبكة مع الحفاظ على جودة الخدمة عبر تطبيقات إنترنت الأشياء المتنوعة؟

مساهمات هذه الدراسة تتنوع في أربعة أوجه. الحجة الأساسية هي إطار هجين للتجميع والجدولة مع التكيف العصبي الضبابي للتحكم في الازدحام في شبكات التخزين اللاسلكية المدعومة بإنترنت الأشياء. النقطة الثانية هي أنه ينفذ إطار عمل محاكاة قابل للتكرار لاختبار الأداء تحت أحجام الشبكات المختلفة وشدة الحركة. ثالثا، يظهر التقدم القابل للقياس في تسليم الحزم، وفترة التأخير، وسرعة الإنتاجية، وكفاءة الطاقة، وعمر الحياة بالنسبة للخطوط الأساسية. في النهاية، يقدم بيانات وملفات تكوين وسكريبتات تحليل للانفتاح وقابلية التكرار.

طرق التحكم المختلفة في الازدحام، بما في ذلك الطرق الضبابية فقط، والتجميع فقط، والجدولة فقط، والمعتمدة على DRL، لها حدودها، والتي يعالجها العمل المقترح من خلال استخدام التجميع متعدد الطبقات مع التكيف والهجين، والجدولة التكيفية ذات الطابور المزدوج، ومحرك قرار عصبي ضبابي، جميعها مدمجة في إطار عمل واحد خفيف الوزن وصديق للأجهزة. على عكس الطرق المعتمدة على DRL، التي تكون مكلفة حسابيا وتستغرق وقتا طويلا للتقارب، يمكن للطبقة العصبية الضبابية المقترحة أداء العمليات تقريبا في الوقت الحقيقي مع استهلاك طاقة ومعالج أقل بكثير؛ لذلك، فهي مثالية لعقد أجهزة الاستشعار من فئة إنترنت الأشياء. تمت مقارنة طرق التحكم في الازدحام المختلفة في الجدول 1 مع الطريقة المقترحة.

الجدول 1: مقارنة بين طرق التحكم في الازدحام الحالية والطريقة المقترحة. يوضح هذا الجدول أهم الميزات والمزايا والقيود لفئات طرق التحكم في الازدحام المختلفة في شبكات المستشعرات اللاسلكية، مثل الطرق الضبابية فقط، والتجميع فقط، والجدولة فقط، والأنظمة القائمة على DRL. يشير إلى تفرد الطريقة المقترحة في الجمع بين التجميع الهجين، والجدولة ذات الأولوية التكيفية، ومحرك اتخاذ القرار العصبي الضبابي خفيف الوزن لتقديم تكيف متعدد الطبقات بتكلفة حسابية منخفضة. تظهر المقارنة بينهما أن البروتوكول المقدم قادر على تحقيق PDR أفضل، وتقليل الكمون، وتوازن الإنتاجية، وزيادة كفاءة الطاقة، ومع ذلك يظل متوافقا مع أجهزة إنترنت الأشياء-WSN ذات الموارد المحدودة. يرجى الضغط هنا لتحميل هذا الجدول.

أعمال ذات صلة
تظهر الأبحاث الحديثة حول التحكم في الازدحام في شبكات المستشعرات اللاسلكية المدعومة بإنترنت الأشياء (WSNs) أن تقنيات الطبقة الواحدة - التجميع البحت، أو تقليل حركة المرور، أو الجدولة - غير كافية تحت الأحمال المرورية غير المتجانسة والمتقطعة التي تسبب تجاوز المخزن المؤقت، والتصادمات، وهدر طاقة شديد¹-⁵. لذلك، اكتسبت أنظمة التجميع والجدولة الهجينة أهمية في تقليل الإرسال الزائدة وتنظيم النزاعات في الوقت نفسه مع تدرج كثافات العقد 6,7,8,10. تدمج المتغيرات عبر الطبقات التوجيه، والتجميع، والجدولة على مستوى MAC لتثبيت تدفقات البث المتقارب وأعباء العمل المختلطة QoS 11,12,13، بينما تقوم المحفزات الضبابية أو الاستدلالية بضبط عمق التجميع وانضباط الخدمة بناء على إشارات الازدحام المحلية 14,15,16. تحسن تقنيات الحوسبة الناعمة الاستجابة: حيث تستنتج وحدات التحكم الضبابية حالات الطابور من احتلال المخزن المؤقت، جودة الوصلات، وإعادة الإرسال 9,17,21; تعزز الأنظمة العصبية الضبابية هذا من خلال تعلم أوزان القواعد لتحسين الأهداف المتعددة عبر نسبة تسليم الحزم (PDR)، وفترة التأخير، ومعدل النقل، واستهلاك الطاقة22،23،24. وفي الوقت نفسه، تدير طرق التعلم المعزز العميق (DRL/RL) التحكم في المعدلات، والتخزين المؤقت، والجدولة 25,26,27,28، وتعيد الأطر القائمة على التوليد/التحسين تشكيل المجموعات والمسارات تحت الضغط مع ضبط سلوك حركة المرور المحلي²9. عبر هذه الأساليب المتنوعة، تتفوق الهجينة الذكية باستمرار على الطرق الثابتة من خلال الحد من تسربات الطابور، وتثبيت نوافذ التنافس، وتقليل التأخير، وتحسين الإنتاجية وكفاءة الطاقة تحت ظروف المرور المختلفة 8,9,12,24,25,26,27,28,29,30 ,32,33,34.

يركز خط عمل مواز على تحسين عمر الشبكة وجودة الخدمة من خلال تكييف معايير التحكم في الازدحام مع مستويات الطاقة، وظروف الرابط، وأولويات التطبيق. تظهر الدراسات أن تجميع الحزم المترابطة يقلل من عدد الإرسالات، بينما يقلل الجدولة التكيفية من التنافس، الاستماع الخمول، وعواصف التصادم14، 17، 18، 27، 30، 32، 33، 34، 35، 36. تحمي الآليات القائمة على الأولوية حركة المرور العاجلة للرعاية الصحية أو الصناعة، مع وتيرة التليمترية غير الحرجة18، 32، 33، 35، والتوجيه الضبابي/العصبي والتحكم في المعدل في سيناريوهات التحميل العالي33 و18. تبرز التطورات الإضافية مثل تحسين الذكاء الاصطناعي للتوجيه37، والتجميع38، والتعيين طويل الأمد39 الواعي للازدحام، إلى جانب اكتشاف الأعطالالذكي 40، والاتصال الآمن31 المدعوم بالبلوكشين، والاستعادة الواعية بالطاقة⁴1، الضوء على الاتجاه المتزايد نحو حلول الازدحام المتكاملة والواعية للسياق. على الرغم من هذه التطورات، لا تزال معظم الأساليب الحالية تفتقر إلى إطار موحد وخفيف الوزن في الوقت الحقيقي قادر على تنسيق التجميع والجدولة والتكيف الذكي عبر أحمال إنترنت الأشياء المتنوعة. هذه الفجوة تحفز تطوير نظام هجين ذكي للتحكم في الازدحام يستفيد من اتخاذ القرار العصبي الضبابي لتحقيق أداء قابل للتوسع، وواع لجودة الخدمة، وكفاءة في استهلاك الطاقة في بيئات WSN الحديثة المدعومة بإنترنت الأشياء.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. إعداد بيئة المحاكاة

  1. قم بتثبيت أوبونتو 22.04 LTS على محطة عمل تحتوي على معالج Intel i5 على الأقل، وذاكرة RAM بسعة 8 جيجابايت، وسعة تخزين 20 جيجابايت. قم بتكوين مترجم GNU C/C++ ومكتبات Tcl/Tk لتجميع وتشغيل NS-2.35.
  2. قم بتثبيت بايثون 3.10 مع NumPy وSciPy وPandas وMatplotlib للتحليل والرسم التخطيطي. تمكين وحدات NS-2 لمراقبة الطاقة والطابور من التقاط أحداث الانتظار وإلغاء الانتظار والإسقاط والتسليم، واستهلاك الطاقة.
  3. نفذ كل تجربة 5 مرات باستخدام بذور عشوائية مستقلة لضمان قابلية التكرار.
  4. هيكل دليل المحاكاة في مجلدات فرعية للتكوينات، والسكريبتات النصية، والنتائج، والتحليل، والحفاظ على سجلات ماركداون لتسجيل التكوينات والنتائج.
    ملاحظة: جميع ملفات تكوين TCL، وسكريبتات تنفيذ NFDE، وأدوات التحليل المستخدمة في سير عمل المحاكاة متوفرة في الملف التكميلي 1.

2. طوبولوجيا الشبكة وتوليد حركة المرور

  1. توليد طوبولوجيات شبكات المستشعرات اللاسلكية مع 150، 300، 450، 600، و750 عقدة موزعة بشكل موحد ضمن منطقة نشر بمساحة 600 × 600 متر مربع.
  2. قم بتهيئة كل عقدة بطاقة 25 جول، ونطاق إرسال 75 مترا، وعرض نطاق ترددي 250 كيلوبت في الثانية لتمثيل أجهزة إنترنت الأشياء.
  3. ضع عقدة الحوض إما في المركز أو عند حدود الشبكة لإنشاء مسارات توجيه غير متجانسة.
  4. قدم نماذج حركة مرور تتضمن تدفقات معدل بت ثابت دورية بسرعة 1 حزمة/ثانية وانفجارات مدفوعة بالأحداث بسرعة 5-10 حزم/ثانية تستمر من 20 إلى 30 ثانية.
  5. دمج حركة المرور الخلفية وعالية الأولوية لاختبار قدرة البروتوكول على التمييز وتحديد الأولويات بين التدفقات. تم تقديم معاملات محاكاة ملخصة في الجدول 2.
  6. معلمات تكوين محاكاة NS-2
    1. بروتوكول التوجيه: استخدم توجيه متجه المسافة عند الطلب (AODV) المؤقت لجميع المحاكاة. اضبط المعلمات الرئيسية التالية: فترة Hello: 1 ثانية، مهلة المسار النشط: 3 ثوان، بداية/أقصى TTL: 2 / 7 قفزات.
      ملاحظة: تم اختيار AODV بسبب عبء حزمة التحكم الخفيفة وملاءمته لطوبولوجيات إنترنت الأشياء/شبكة الشبكات البيضاء الديناميكية.
    2. تكوين MAC: استخدم بروتوكول MAC IEEE 802.11 DCF (وظيفة التنسيق الموزعة). اضبط المعايير المهمة التالية: المعدل الأساسي: 1 ميجابت في الثانية، معدل البيانات: 250 كيلوبت في الثانية (معدل بيانات من فئة WSN)، RTS/CTS: معطل (يتبع إعدادات WSN منخفضة الطاقة النموذجية)، CWmin = 31، CWmax = 1023، وقت الفتحة = 20 ميكروثانية، SIFS = 10 ميكروثانية، DIFS = 50 ميكروثانية.
    3. تكوين الطابور: تعيين نوع الطابور ك PriQueue لدعم الجدولة ذات الأولوية المزدوجة، طول الطابور (طول IFQ) إلى 50 حزمة. تعيين تعيين الطابور كحركة مرور ذات أولوية عالية إلى الطابور 1 وحركة المرور العادية إلى الطابور 2. اضبط سلوك الطابور على DropTail المستخدم للتعامل مع الفائض.
    4. نموذج الانتشار: اختر TwoRayGround للبيئات الخارجية النموذجية لإنترنت الأشياء/الشبكة العالمية حيث يزداد فقدان المسار مع المسافة. اضبط معايير التحقق المتقاطع للنموذج كارتفاع الهوائي: 1.5 متر، عامل فقدان النظام: 1.0، الحد الأدنى للطاقة المستقبلة: −95 ديسيبل ملي.
    5. نماذج الواجهة والهوائيات: اضبط نوع الواجهة اللاسلكية ك Phy/WirelessPhy. قم بتعيين تكوين واجهة الشبكة التالي: نوع قائمة الانتظار: Queue/DropTail/PriQueue، واجهة الشبكة: CMUPriQueue للخدمة ذات الأولوية. اضبط نموذج الهوائي ك Antenna/OmniAntenna لأنه يعكس جزيئات المستشعر النموذجية (MicaZ، TelosB، إلخ).
    6. طول IFQ وحجم الحزمة: اضبط طول قائمة الانتظار (IFQLength) إلى 50 حزمة لأنه يضمن حدوث الازدحام عند ذروة حركة المرور الواقعية. حدد معلمات حجم الحزم التالية: حزمة CBR الافتراضية: 512 بايت، رأس MAC: ~36 بايت، حزمة تحكم AODV: ~32 بايت. اضبط عتبة التجزئة على لا شيء (تم تعطيل التجزئة).
    7. إعدادات القناة: تعيين نوع القناة على قناة WirelessChannel، التردد على نطاق ISM 2.4 جيجاهرتز (تردد IoT الشائع)، عرض النطاق الترددي إلى 250 كيلوبت في الثانية، والانتقال إلى نصف مزدوج. اضبط معلمات طبقة الربط كطاقة ابتدائية: 25 جول، قدرة الإرسال: 0.66 واط، قوة الاستقبال: 0.395 واط، القدرة في الخمول: 0.035 واط، وطاقة السكون: 0.003 واط. اضبط الحد الأدنى للضوضاء على −100 ديسيبل ميلي ومستوى إحساس الحامل (CST) إلى −94 ديسيبل بل ميلي.

الجدول 2: معلمات محاكاة NS-2.35 المستخدمة لتقييم بروتوكول التحكم في الازدحام المقترح. يجمع هذا الجدول جميع تكوينات المحاكاة في NS-2.35، مثل حجم منطقة النشر، كثافات العقد، المعلمات المتعلقة بالطاقة، تكوينات MAC والتوجيه، هيكل الطابور، نموذج الانتشار، حجم الحزمة، وعتبات التحكم. تعمل هذه المعايير على ضمان قابلية التكرار الكاملة للبيئة التجريبية لمقارنة الأداء بين أنظمة التحكم في الازدحام الهجينة، والتجميع فقط، والجدولة فقط، والأساسية للتحكم في الازدحام. يرجى الضغط هنا لتحميل هذا الجدول.

3. هندسة المنهجية

  1. تصميم البروتوكول المقترح من خلال دمج التجميع الهجين، والجدولة التكيفية، ومحرك اتخاذ القرار العصبي الضبابي.
  2. تنفيذ التجميع الهجين لدمج الحزم ضمن نوافذ زمنية أو نوافذ عد الحزم مع الحفاظ على علامات الأولوية لحركة المرور الحرجة.
  3. استخدم الجدولة التكيفية لإدارة طابورين - واحد للتدفقات الحرجة والآخر غير حرج، وطبق جدولة الروبن الدائري الموزون مع أوزان طابور قابلة للتعديل ديناميكيا.
  4. استخدم محرك القرار العصبي الضبابي لمراقبة إشغال المخزن المؤقت، واستخدام القناة، والطاقة المتبقية، وجودة الوصلات، وأولوية حركة المرور.
  5. قم بتحويل هذه المدخلات إلى دوال عضوية ضبابية، وتطبيق قواعد الاستدلال لتحسين عمق التجميع وأوزان الجدولة، وضبط قرارات النظام بدقة من خلال التعلم العصبي التكيفي.
    1. هيكل نموذج NFDE: تنفيذ محرك القرار العصبي الضبابي (NFDE) كنظام استنتاج عصبي-ضبابي تكيفي من الدرجة الأولى (ANFIS) مع خمسة متغيرات إدخال وثلاثة معلمات تحكم في الإخراج. يستخدم النظام بنية من خمس طبقات
      الطبقة 1 - تشويش الإدخال: يحول قيم المستشعرات الواضحة إلى درجات عضوية.
      الطبقة 2 - قوة إطلاق القواعد: يحسب قوة إطلاق القواعد باستخدام استنتاج الضرب.
      الطبقة 3 - التطبيع: تطبيع قوة الإطلاق.
      الطبقة 4 - مصطلحات الإخراج الخطية: تولد مخرجات خطية مرجحة.
      الطبقة 5 - تجميع المخرجات: تجمع النتائج لإنتاج عمق التجميع، ووزن الجدولة، وتعديلات معدل الإرسال.
      لكل قاعدة شكل: إذا (B هو X1) و (C هو X2) و (E هو X3) و (LQI هو X4) و (P هو X5) → f = p1· B + p· C + p3· E + p4· LQI + p5· P + p0.
      يحتوي النموذج على 15-25 قاعدة تعتمد على قيود التعقيد.
    2. متغيرات الإدخال والإخراج
      1. حدد 5 متغيرات إدخال، وهي b إشغال العمود (B) - نسبة طول طابور التيار إلى طول IFQ (0-1)، استخدام الهانل c (C) - نسبة وقت الانشغال في MAC (0-1)، طاقة r التساوي (E) - نسبة الطاقة المتبقية (0-1)، مؤشر جودة الحبر (LQI) - احتمال نجاح الرابط المعدل (0-1)، وأولوية t raffic (P) مع 1.0 حرجة و0.0 كغير حرج.
      2. حدد 3 متغيرات إخراج، وهي عمق التجميع (A*) - عدد الحزم الموصى به لتجميعها (النطاق 1-6)، وزن الشيدولينج s (W*) - الوزن المخصص لقائمة انتظار عالية الأولوية (0.3-0.8)، تعديل R (R*) - مقياس معدل النقل (−20٪ إلى +10٪).
    3. جميع المدخلات تستخدم دوال عضوية مثلثة أو شبه منحرفة معرفة في النطاق 0 - 1. اضبط دوال السفينة m كما هو موضح أدناه مع النطاقات الرقمية.
      الإشغال المؤقت (B) - الأدنى: trapmf (0.0، 0.0، 0.20، 0.40)، متوسط: trimf(0.30، 0.50، 0.70)، الأعلى: trapmf (0.60، 0.80، 1.0، 1.0)
      استخدام القناة (C) - منخفض: trimf (0.0، 0.15، 0.30)، متوسط: trimf (0.25، 0.50، 0.75)، الأعلى: trimf (0.70، 0.85، 1.0)
      الطاقة المتبقية (E) - الأعلى: tramf (0.70، 0.80، 1.0، 1.0)، متوسط: trimf (0.40، 0.55، 0.70)، الأدنى: trapmf (0.0، 0.0، 0.30، 0.50)
      مؤشر جودة الرابط (LQI) - جيد: trapmf (0.70، 0.80، 1.0، 1.0)، متوسط: trimf(0.40، 0.55، 0.70)، ضعيف: trapmf (0.0، 0.0، 0.30، 0.45)
      أولوية المرور (P) - غير حرجة: تريمف (0.0، 0.0، 0.1)، حرجة: تريمف (0.9، 1.0، 1.0)
      دوال عضوية المخرجات - بما أن Sugeno ANFIS يستخدم مخرجات خطية واضحة:
      A* (عمق التجميع) = a1·مدخلات + a0، مقطوع إلى [1,6]، W* (وزن الأولوية) = w1·مدخلات + w0، مقتطع إلى [0.3,0.8]، R* (عامل المعدل) = r1·المدخلات + r0، مقتطع إلى [−0.20، +0.10]
    4. صياغة قاعدة القواعد: عادة ما تتضمن قاعدة القواعد الكاملة 15-25 قاعدة، حسب الحدود الحسابية. اضبط مجموعة قاعدة نموذجية كالتالي
      إذا كان B = عالي و C = عالي → تقليل A*، زد W*، تقليل R*
      إذا كان B = متوسط U × و E = عالي و P = حرج → متوسط A*، زد W*
      إذا كان LQI = ضعيف → زيادة A* (لتقليل إعادة الإرسال)
      إذا كان E = منخفض → تقليل R*، قلل A* (حفظ الطاقة)
      إذا كان C = منخفض و P = حرج → اضبط W* عالي
      إذا كان B = عالي و LQI = جيد → تقليل A*، زد R*
      ملاحظة: تميز نظام قواعد العصبية-الضبابية. يختلف نظام القواعد الضبابية عن أنظمة التحكم في الازدحام التقليدية في طريقتين:
      الاقتران متعدد المدخلات: يأخذ في الاعتبار بشكل مشترك احتلال الطابور، واستخدام القنوات، وعمق التجميع، ومقاييس أولوية الحزم التي نادرا ما تدمج معا في وحدات تحكم WSN الضبابية الحالية.
      ضبط القواعد العصبي التكيفي: تعرف القواعد الأولية من قبل الخبراء ولكن يتم تحسينها لاحقا باستخدام تعلم ANFIS، مع تحديث قوة القواعد ومعلمات الإخراج لتتناسب مع ظروف الشبكة الحقيقية. تشمل القواعد التمثيلية المستخدمة ما يلي:
      إذا كان إشغال الطابور مرتفعا واستخدام القناة مرتفعا، فعليك تقليل معدل الإرسال وزيادة عمق التجميع.
      إذا كان عدد الإشغال في الطابور متوسطا والأولوية عالية، فزد وزن الجدولة.
      إذا كانت الطاقة المتبقية منخفضة، فعليك تقليل إعادة الإرسال وتقليل ضغط الطابور.
      تتيح هذه التعديلات الديناميكية للقواعد تقليل الازدحام بشكل أكثر استجابة مقارنة بالأنظمة الضبابية الثابتة.
    5. حدد وضبط وظائف العضوية وقواعدها. أولا، إعداد دوال العضوية الضبابية بناء على النطاقات التجريبية للاتجاهات المحاكاة ل NS-2 التي أجريت كدراسة أولية. تشمل هذه الاتجاهات احتلال المخزن المؤقت، واستخدام القنوات، والطاقة المتبقية، وتوزيعات LQI. ثم يتم تعديل هذه الوظائف العضوية من خلال إجراء تدريب ANFIS، حيث يستخدم النزول التدرج لتحسين حدود MF وكذلك معلمات مخرج سوجينو. اصنع قاعدة قواعد ضبابية أولية من القواعد المشتقة من الخبراء. بعد ذلك، درب النظام التكيفي العصبي حتى يتم تحديث أوزان القواعد والمعايير بسبب أنماط الحركة التمثيلية، مما يسمح بضبطها.
    6. تقييم البصمة الحسابية ل NFDE لتحديد ما إذا كانت مناسبة لعقد أجهزة الاستشعار من فئة إنترنت الأشياء. تابع زمن الاستدلال، الذي عادة ما يكون حوالي 1.2-1.8 مللي ثانية على متحكم دقيق Cortex-M4 يعمل بسرعة 72 ميجاهرتز. تأكد من أن استهلاك الذاكرة لجميع وظائف العضوية ومعلمات القواعد لا يتجاوز 40 كيلوبايت. قم بأداء جميع تدريبات ANFIS دون اتصال بالإنترنت وليس على عقد المستشعرات. للحفاظ على التكيف في الوقت الحقيقي مع حمل حسابي منخفض جدا، يجب استخدام جزء الاستدلال الخفيف فقط أثناء النشر.
    7. إجراء التدريب: تدريب NFDE دون اتصال باستخدام خوارزمية ANFIS الهجينة
      التمرير الأمامي (تقدير المربعات الصغرى): يحدد المعلمات الخطية لقواعد سوجينو.
      التمرير العكسي (انخفاض التدرج): يحدث معلمات MF غير الخطية.
      1. اضبط معلمات التدريب كحجم مجموعة بيانات تدريب: 15,000 عينة تم توليدها من حالات حركة مرور محاكاة، العصر: 50، معدل التعلم (α): 0.01، تحمل الخطأ: 1 × 10 ⁻⁴، التوقف المبكر: 3 فترات متتالية دون تحسين، هدف التحسين: تقليل RMSE بين مخرجات NFDE وملفات التحكم في الحقيقة الأرضية.
  6. يتم الكشف عن الازدحام من خلال مؤشرات الحالة ومستوى الحالة الفرعية. تمييز الازدحام على مستوى العقد من خلال فحص مستويات الإشغال في الطابور، ومعدل نمو الطابور، وأحداث فقدان الحزم عندما يقترب IFQ من حد السعة. استنتج ازدحام على مستوى القناة من الزيادات المستمرة في وقت الانشغال في MAC، وفترات الارتداد الطويلة، وارتفاع احتمالية التصادم. يتم تزويد هذه الإشارات باستمرار بمحرك القرار العصبي الضبابي الذي يحدد شدة الاحتقان ويصدر تدابير تحكم ذاتية.
  7. عند اكتشاف الازدحام، توسع NFDE التجميع لتقليل عمليات نقل الحزم، وإعادة ضبط أوزان الجدولة لحرج الحركة، وخفض معدل النقل لتطبيع الطابور. حافظ على آلية الكشف منفصلة عن طبقة التطبيق، بحيث يتم الحفاظ على التعامل مع الازدحام حتى لو كانت حركة المرور من نوع مختلف.
  8. قم بتحديث المعايير كل ثانية أو ثانيتين للحصول على استجابة شبه فورية. استخدم الجدول 3 للإشارة إلى معلمات دالة العضوية، ونطاقات الإخراج، والقواعد الضبابية التمثيلية المطبقة في محرك القرار العصبي-الضبابي. استشر القيم العددية المعتمدة MF، وحدود مخرجات سوجينو، وقواعد اتخاذ الأمثلة لإعادة إنتاج سلوك الاستنتاج والتكيف للمتحكمين بدقة.
  9. قم بإجراء التحليل على أربع مراحل رئيسية:
    الإعداد: تحضير NS-2.35، أدوات تحليل بايثون، وتوليد طوبولوجيات الشبكة وأنماط الحركة.
    ضبط المعاملات: تكوين عمق التجميع، أوزان الجدولة، معلمات قائمة الانتظار في الواجهة، ووظائف عضوية NFDE وإعدادات التعلم.
    تنفيذ المحاكاة: تشغيل جميع السيناريوهات عبر كثافات عقد متعددة وأحمال مرور، جمع ملفات تتبع NS-2 كاملة، وتسجيل أحداث المفاتيح بما في ذلك حالات الطابور، إلغاء الطابور، الإسقاط، التسليم، والطاقة.
    التحليل: استخراج مقاييس PDR، وفترة التأمين، ومعدل الإنتاجية، والطاقة، ومقاييس العمر باستخدام سكريبتات بايثون وحساب الدلالة الإحصائية عبر الخطوط الأساسية.
    ملاحظة: يوفر هذا السير تسلسلا واضحا وقابلا للتكرار من التكوين إلى التحليل، وموضح في الشكل 1.

الجدول 3: دوال العضوية الضبابية، نطاقات الإخراج، والقواعد التمثيلية المستخدمة في محرك القرار العصبي-الضبابي. جميع المتغيرات الخمسة المدخلة لها دوال عضوية مثلثة وشبه منحرفة، والجدول يعطي المعاملات الرقمية الدقيقة لها. يوضح الجدول أيضا النطاقات التشغيلية لمخرجات نوع سوجينو. تظهر القواعد التمثيلية الضبابية كيف يفسر النظام ظروف الشبكة لضبط عمق التجميع، وأوزان جدولة الطابور، وتكبير معدل الإرسال. من بين معايير قابلية التكرار عدد MF، وحجم مجموعة القواعد، ومعدل التعلم، وفترة التحديث، والتي تهدف إلى تسهيل التكرار المباشر ل NFDE. يرجى الضغط هنا لتحميل هذا الجدول.

الشكل 1
الشكل 1: بنية بروتوكول التحكم الذكي في الازدحام لشبكات المستشعرات اللاسلكية المدعومة بإنترنت الأشياء. يتم تصوير سير العمل المتكامل الشامل لسياسة التحكم في الازدحام الهجين في هذا الرسم البياني. يتم إدخال قياسات حالة الشبكة - احتلال المخزن، استخدام القناة، الطاقة المتبقية، جودة الرابط، وأولوية حركة المرور - إلى طبقة وظيفة العضوية ومحرك القرار العصبي-الضبابي، الذي يولد بعد ذلك متغيرات تحكم تكيفية مثل عمق التجميع، وزن الجدولة، وضبط معدل الإرسال. تتحكم هذه المتغيرات في وحدة التجميع الهجينة ووحدة الجدولة التكيفية، مما يمكن من تحقيق مقاييس حركة مرور محسنة مشتركة لنسبة تسليم حزم أعلى، زمن تأخير أقل، تقليل استهلاك الطاقة، وعمر افتراضي طويل للشبكة. الاختصارات: NF = عصبي-ضبابي، PDR = نسبة تسليم الحزم، WRR = الروبن الدائري المرجح، WSN = شبكة المستشعرات اللاسلكية، إنترنت الأشياء = إنترنت الأشياء، AQM = إدارة الطابور النشط (إذا كان ذلك ينطبق)، RSSI = مؤشر قوة الإشارة المستقبلة (إذا كان ذلك ينطبق). يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

4. تفاصيل مجموعة البيانات

ملاحظة: تم إنشاء مجموعة بيانات المحاكاة المستخدمة في هذه الدراسة داخليا باستخدام بيئة NS-2.35 ولا يتم إيداعها في مستودع عام بسبب قيود حجم الملف. ومع ذلك، جميع ملفات التكوين، وسكريبتات TCL، وكود NFDE، وسكريبتات تحليل بايثون المطلوبة لإعادة إنتاج مجموعة البيانات متاحة للجمهور في مستودع GitHub التالي: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. يمكن للباحثين إعادة توليد مجموعة البيانات الكاملة عن طريق تنفيذ ملفات التكوين والسكريبتات المقدمة. يمكن توفير ملفات بيانات إضافية من المؤلفين عند الطلب المعقول.

  1. جهز مجموعة البيانات عن طريق توليد ملفات التكوين، وقوائم البذرة العشوائية، وملفات تتبع NS-2 الخام، ونتائج CSV المعالجة، وسكريبتات بايثون لتحليل التتبع والتصور.
  2. توضيح مصدر مجموعة البيانات:
    1. توليد مجموعة البيانات كاملة باستخدام منصة محاكاة NS-2.35 بدلا من الحصول عليها من مستودعات خارجية أو عامة.
    2. قم بتكوين NS-2.35 لإخراج ملفات تتبع خام لكل تشغيل محاكاة، بما في ذلك الطابور، إلغاء الطابور، الإسقاط، التسليم، أحداث MAC، وسجلات الطاقة على مستوى العقدة.
    3. أنشئ جميع الطوبولوجيات، وأنماط الحركة، وإعدادات المعلمات بشكل برمجي كجزء من سير عمل المحاكاة. تأكد من أن كل سيناريو يولد حوالي 20 ميجابايت من بيانات التتبع الخام وتخزين جميع المخرجات التجريبية داخل دليل المشروع.
    4. معالجة هذه الملفات التتبعية باستخدام سكريبتات بايثون لاستخراج نسبة تسليم الحزم، والتأخير، ومعدل الإنتاجية، واستهلاك الطاقة، ومقاييس عمر الشبكة.
    5. لا تستخدم مجموعات بيانات خارجية أو خارجية في هذه الدراسة.
  3. غطي 75 سيناريو عبر كثافات العقد، وشدة المرور، والبذور العشوائية.
  4. توقع حوالي 20 ميجابايت من بيانات التتبع الخام و1-2 ميجابايت من النتائج المعالجة لكل سيناريو، مما ينتج حجم إجمالي مجموعة بيانات حوالي 2 جيجابايت.

5. تنفيذ المحاكاة

  1. شغل كل محاكاة لمدة 900 ثانية. قارن البروتوكول المقترح بثلاثة بدائل: نظام التجميع فقط، نظام الجدولة فقط، وخط الأساس PCCP.
  2. استخدم طوبولوجيات شبكة متطابقة وبذور عشوائية عبر جميع البروتوكولات لضمان المقارنة. جمع ملفات التتبع من كل تشغيل وتنظيمها في دليل النتائج حسب كثافة العقد، وحمل الحركة، ونوع البروتوكول.

6. تحليل البيانات

  1. تحليل ملفات التتبع باستخدام سكريبتات بايثون لحساب نسبة تسليم الحزم، زمن الاستجابة من الطرف إلى النهاية، معدل النقل، استهلاك الطاقة لكل عقدة، وعمر الشبكة (الوقت إلى موت العقدة الأولى و50٪ موت العقدة).
  2. النتائج المتوسطة عبر خمس جولات وأبلغ عنها كمتوسط ± فترة ثقة 95٪.
  3. تطبيق اختبارات t مزدوجة للبيانات الموزعة بشكل طبيعي واختبارات ويلكوكسون الموقعة للرتبة بخلاف ذلك، واعتبر الفروق ذات الدلالة عند p < 0.05.

7. الإرشادات التشغيلية لاستخدام البرمجيات

  1. تنفيذ NS-2 واستدعاء سكريبت Tcl
    1. استخدم NS-2.35 لتشغيل سيناريوهات المحاكاة باستخدام ملف Tcl المرفق (hybrid_protocol.tcl).
      شغل سيناريو واحد:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      الأعلام: -nn (عقد)، -seed (seed)، -traffic (cbr|bursty)، -out (ملف trace).
      التنفيذ الدفعي: ./configs/run_experiment.sh
  2. سكريبتات بايثون لتحليل التتبع واستخراج المقياس
    1. تحليل أثر
      بايثون أناليس/parse_ns2.py traces/out_300_seed3.tr --o results/metrics_300_3.csv
    2. المقاييس الإجمالية
      تحليل بايثون/نتائج compute_metrics.py -- نتائج ملخصة/summary_all.csv
    3. توليد المخططات
      تحليل بايثون/نتائج plot_metrics.py/summary_all.csv --أرقام الإخراج/
  3. تدريب واستدلال NFDE
    1. توليد بيانات التدريب
      بايثون nfde/anfis_train.py --توليد 15000 --خرج nfde/training_data.csv
    2. قطار NFDE
      Python nfde/anfis_train.py --train nfde/training_data.csv --epochs 50 --LR 0.01 --out nfde/nfde_model.pkl
    3. تشغيل استنتاج NFDE
      بايثون nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. النتائج المتوقعة

  1. إظهار أداء متفوق للبروتوكول المقترح مقارنة بالمخططات الأساسية 6,7,13,14,17,24. الحفاظ على نسب تسليم حزم عالية حتى في ظل الازدحام الشديد، وتقليل التأخير من الطرف إلى الطرف من خلال الجدولة التكيفية، والحفاظ على معدل نقل أعلى من خلال التحكم في عمليات النقل المتكررة.
  2. إظهار كفاءة طاقة محسنة وعمر شبكة أطول من خلال تقليل إعادة النقل وتوزيع متوازن للحمل.
  3. سلط الضوء على ملاءمة هذا البروتوكول لشبكات التخزين الوظيفية المدعومة بإنترنت الأشياء في تطبيقات الرعاية الصحية، وإنترنت الأشياء الصناعية، وتطبيقات المدن الذكية حيث يكون توصيل البيانات في الوقت المناسب وموثوقا أمرا بالغ الأهمية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

كان نظام PRAM ممكنا في بيئة شبكة حساسات لاسلكية مع اتصال بقفزة واحدة وحجم مخزن مؤقت محدود. أجريت التجارب بمعدلات حركة حركة مختلفة، وتمت مقارنة أداء النظام مع النسخة التقليدية من Aloha ونوع من Aloha المعتمدة على الشجرة (T-Aloha) من حيث معدل النقل، وتأخر الوصول المتوسط، ومتوسط عدد المخازن غير الفارغة. أظهرت النتائج بوضوح أن المخطط المقترح حقق أداء متفوقا في جميع المقاييس المذكورة أعلاه.

لتوضيح كيف يرتبط كل اتجاه تجريبي ميكانيكيا بالبروتوكولات، نقدم التفسير التالي:
نسبة تسليم الحزم (PDR) مقابل...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تظهر النتائج أن التحكم في الازدحام قد تم تحسينه بشكل كبير في شبكات المستشعرات اللاسلكية المدعومة بإنترنت الأشياء من خلال دمج التجميع الهجين، والجدولة التكيفية، والتكيف العصبي الضبابي. في الواقع، لوحظ أن البروتوكول الجديد يحقق أداء أفضل من القواعد التي تعتمد فقط على التجميع، والجدولة فقط، وخطوط PCCP من حيث تسليم الحزم، والتأخير، ومعدل النقل، وكفاءة الطاقة، وعمر الشبكة عبر كثافات العقد المختلفة وظروف الحركة. في الواقع، تعد هذه المكاسب حجة مقنعة لتفوق الحل الذي يستخدم محرك قرار ذكي لتنسيق ع...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنه لا توجد مصالح مالية متنافسة أو علاقات شخصية قد تكون أثرت على العمل المذكور في هذه المخطوطة.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يشكر المؤلفون بكل امتنان الدعم الذي قدمته جامعة فيشواكارما في بوني، لمرافق البحث والمساعدة الإدارية طوال فترة تطوير هذا العمل. كما يشكر المؤلفون قسم هندسة الحاسوب على توفير البنية التحتية الحاسوبية المطلوبة للمحاكاة والتحليل. لم يحصل هذا البحث على منحة محددة من أي جهة تمويل في القطاعات العامة أو التجارية أو غير الربحية. كانت أدوات نماذج اللغة الكبيرة تستخدم فقط لصقل اللغة وتنسيقها. تم تطوير جميع المحتوى العلمي والأساليب والتحليلات بالكامل من قبل المؤلفين. تمت مراجعة جميع النصوص التي تم إنشاؤها عبر مساعدة الذكاء الاصطناعي والتحقق من صحتها.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
وحدة Aqua-Sim (اختيارية)مستودع التمديد NS2–يستخدم إذا تم اختبار سيناريوهات WSN تحت الماء
سطح المكتب/لابتوب (Intel i5/AMD Ryzen 5، &GE؛ 8 جيجابايت رام، > سعة تخزين 20 جيجابايت)متوفر تجاريا–يستخدم لتشغيل جميع المحاكاة
مترجم GNU C/C++، Tcl/Tkمستودع أوبونتو–مطلوب لتجميع NS-2
MATLAB R2022a (اختياري)ماث ووركسhttps://www.mathworks.comيستخدم للنمذجة الضبابية أو ANFIS إذا كنت مفضلا
محاكي الشبكة NS-2.35مشروع ISI/NS2https://www.isi.edu/nsnam/ns/بيئة المحاكاة الأساسية
النتائج المعالجة (.csv)تم إنشاؤه في هذه الدراسة-المقاييس المحوسبة: PDR، التأخير، معدل الإنتاجية، الطاقة، مدة الحياة
بايثون 3.10 (NumPy، SciPy، Pandas، Matplotlib)مؤسسة بايثون للبرمجياتhttps://www.python.orgيستخدم للتحليل والرسم
سكريبتات تحليل بايثونتم إنشاؤه في هذه الدراسة-نصوص لتحليل المسارات وتوليد المخططات
ملفات تتبع NS-2 الخام (.tr)تم إنشاؤه في هذه الدراسة-تحتوي على أحداث النقل والطاقة على مستوى الحزم
ملفات تكوين المحاكاة (الطوبولوجيا، نماذج الحركة، البذور العشوائية)تم إنشاؤه في هذه الدراسة-مطلوب لتكرار التجارب
أوبونتو لينكس 22.04 LTSكانونيكال المحدودة.https://ubuntu.comنظام التشغيل ل NS-2

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Yadav, S. L., Ujjwal, R. L., Kumar, S., Kaiwartya, O., Kumar, M. Traffic and energy-aware optimization for congestion control in next-generation WSNs. J Sensors. 2021 (1), 5575802(2021).
  2. Li, Z., et al. Congestion control in Internet of Things using auction theory and reinforcement learning. Sci Rep. 14 (1), 77166(2024).
  3. Alipio, M., Bures, M. A cache-aware congestion control mechanism using deep reinforcement learning for WSNs (DRL-CaCC). Ad Hoc Netw. 166, 103678(2025).
  4. Sefati, S. S., Arasteh, B., Craciunescu, R., Comsa, C. R. Intelligent congestion control in WSNs based on GANs and optimization. Mathematics. 13 (4), 597(2025).
  5. Verma, L. P., Kumar, G., Khalaf, O. I., Rawat, S. Adaptive congestion control in IoT networks using one-way delay. Heliyon. 10 (5), e26297(2024).
  6. Liu, X., Cao, J., Chen, W. Hybrid aggregation-scheduling for bursty WSN traffic. Comput Commun. 160, 498-508 (2020).
  7. Luo, H., Zhang, Y. Congestion-aware clustering with scheduled aggregation. IEEE Sensors J. 15 (5), 2896-2906 (2020).
  8. Shrirao, S. M., et al. Navigating congestion in WSN: A comprehensive survey. Int J Comput Netw Appl. 11 (1), 1-18 (2024).
  9. Wang, X., et al. Machine-learning-based routing and congestion control in IoT: A survey. Inf Fusion. 64, 66-87 (2020).
  10. Le-Ngoc, K. K., et al. Optimized fuzzy clustering in WSNs using Sugeno FLC. Signal Process. 190, 108312(2022).
  11. Nithya, S., et al. A fuzzy logic and cross-layered optimization for effective congestion control in wireless sensor networks to improve efficiency and performance. MATEC Web Conf. 392, 01145(2024).
  12. Kiruthiga, T., Jegadeesan, J. Optimized tree construction and clustering-based data aggregation for heterogeneous WSNs. Int J Distrib Sensor Netw. 21 (2), 1-15 (2025).
  13. Yadav, S. L. A study on congestion control mechanisms in WSNs. J Adv Res Dyn Control Syst. 13 (2), 145-153 (2021).
  14. Riaz, U., Aslam, N., Cao, Y., Imran, M., Hussain, S. Fuzzy-tuned AQM for WSN queues. Comput Commun. 151, 235-246 (2020).
  15. Luo, J., Pesch, D., de Frein, R. Fuzzy rate control for WSN congestion. Ad Hoc Netw. 102, 102115(2020).
  16. Jain, S., Kumar, N., Obaidat, M. S. ANN-based congestion control in WSNs. Int J Commun Syst. 33 (4), e3555(2020).
  17. Alsheikh, M. A., Lin, S., Niyato, D., Tan, H. P. Machine learning in WSNs: Algorithms and applications. IEEE Commun Surv Tutor. 22 (3), 1996-2018 (2020).
  18. Reetha, P. R. S. Fuzzy energy-efficient routing with traffic-delay awareness for IoT. Int J Commun Syst. 38 (5), e6055(2025).
  19. Paulraj, S. S., et al. Energy-efficient data routing using neuro-fuzzy in IoT-WSNs. Sci Rep. 14, 79590(2024).
  20. Khan, M. A., Rehman, A., Kim, S. Queue-aware congestion control with adaptive duty cycling. Ad Hoc Netw. 136, 102997(2023).
  21. Junejo, A. K., et al. Deep learning-assisted congestion prediction for IoT-WSNs. IEEE Access. 8, 187381-187393 (2020).
  22. Gupta, H., Rao, S. Neuro-fuzzy cross-layer congestion control. Wireless Netw. 26, 3451-3466 (2020).
  23. Al-Tamimi, A., et al. Adaptive fuzzy congestion control with priority-aware scheduling for WSNs. Sensors. 21 (21), 7124(2021).
  24. Yaghmaee, M. H., Adjeroh, D. A. QoS-based transport with congestion control. Comput Netw. 178, 107327(2020).
  25. Alipio, M., Mancuso, V., Bures, M. DRL perspectives on caching and congestion in IoT. ICT Express. 9, 388-399 (2023).
  26. Sodhro, A. H., Pirbhulal, S., Wang, L. AI for industrial IoT: Energy & congestion control. IEEE Trans Ind Informat. 16 (5), 321-329 (2020).
  27. Li, C., Meng, X., Zhang, Y. Cross-layer congestion-aware routing with adaptive scheduling. IEEE Access. 10, 120345-120360 (2022).
  28. Kumar, K. M., Devi, S. Improved ANFIS-based congestion control. Intell Syst Appl Eng. 14, 101-110 (2023).
  29. Maniraj-Kumar, P., Nagarajan, P., Rahuman, A. K., Gobinath, T. Fuzzy congestion control using Spider Monkey Optimization. IETE J Res. 70 (1), 1-12 (2024).
  30. Ojha, A., Sharma, R., Patel, D. Evolving landscape of WSNs: AI-driven optimization. SN Appl Sci. 7, 1234(2025).
  31. A Lightweight Blockchain Scheme for Secure Data Communication in Internet of Things-enabled Wireless Sensor Network. Balraj, L., Prasanth, A., Sowndarya, K. K. D., Kuntavai, T. ProcInt Conf Smart Syst Appl Electr Sci, , 1-6 (2024).
  32. Zhang, Q., Hou, Y. T., Gokhale, A. Cross-layer design for industrial IoT congestion. IEEE Trans Ind Informat. 16 (2), 139-150 (2020).
  33. Wang, J., Gao, Y., Liu, W., Sangaiah, A. K., Kim, H. Fuzzy-based congestion-aware routing. Sensors. 19 (3), 671(2020).
  34. Grover, A., Bansal, R., Sharma, P. Rate-aware congestion control mechanism (RACC). Alexandria Eng J. 61, 6639-6653 (2022).
  35. Kirubakaran, E., Lakshmi, S. Priority-based hybrid scheduling with adaptive aggregation. Comput Electr Eng. 100, 107834(2022).
  36. Li, C., Wang, D., Xu, Y. WSN restoration and congestion avoidance via fat-tree variants. Digital Commun Netw. 11, 1-14 (2025).
  37. Jadhav, S. S. Congestion control and efficiency optimization in WSNs. Wireless Netw. 31, 1-19 (2025).
  38. Li, J., Huang, X., Chen, W. DRL-aided MAC scheduling for sensor networks. IEEE Access. 11, 115234-115248 (2023).
  39. Zhang, S., Pan, J. S., Chu, S. -C. Compact meta-heuristics for congestion-aware clustering. Appl Soft Comput. 127, 109370(2022).
  40. Wang, Y., Fan, Y., Wang, J., Chen, W. Long-term navigation & congestion-aware mapping. Robot. Auton Sys.t. 179, 104724(2024).
  41. Sahar, G., et al. Data-driven models in WSNs: A survey. Technologies. 9 (4), 76(2021).
  42. Aruchamy, P., Balraj, L., Sowndarya, K. K. D. An energy-aware link fault detection and recovery scheme for QoS enhancement in Internet of Things-enabled wireless sensor network. Comput Electr Eng. 123, 110092(2025).
  43. Balraj, L., Prasanth, A. An energy-aware software fault detection system based on hierarchical rule approach for enhancing quality of service in Internet of Things-enabled wireless sensor network. Trans Emerg Telecommun Technol. 35 (4), e4971(2024).
  44. Contiki: A lightweight and flexible operating system for tiny networked sensors. Dunkels, A., Grönvall, B., Voigt, T. Proc. IEEE Int Conf Local Comput Netw, 2004, 455-462 (2004).
  45. Levis, P., et al. TinyOS: An operating system for sensor networks. Proc ACM SenSys. 2005, 1-14 (2005).
  46. Raspberry Pi User Guide. Upton, E., Halfacree, G. , 1st ed, Wiley. (2014).
  47. ESP32 Series Datasheet. Espressif Syst. 2016, Espressif Systems. 1-55 (2016).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

الفيديو قريباً

مقالات ذات صلة