方法文章

基于混合聚合与调度技术的物联网无线传感器网络智能拥塞控制机制

DOI：

10.3791/69909

⸱

2026年1月13日

 ,  ,  ,  , 
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

本文内容

摘要

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

本方案介绍了一种利用混合聚合与调度技术并结合神经模糊决策层的物联网使能无线传感器网络智能拥塞控制方法。所提出的系统可提升数据包投递率、降低延迟、提高吞吐量和能量效率，从而在应对可变物联网工作负载时延长网络寿命并确保服务质量（QoS）。

摘要

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

在支持物联网的无线传感器网络（WSNs）中，拥塞会降低数据包投递率、增加延迟并恶化能耗，从而损害网络性能，尤其在突发性和异构性流量条件下更为显著。本协议介绍了一种智能拥塞控制技术，该技术结合了混合数据聚合、自适应调度以及神经模糊决策引擎，以高效应对网络负载。该方法首先生成仿真数据，利用 NS-2.35 构建不同节点密度的拓扑结构，并设置流量模式。针对每种场景获取数据包轨迹，以实现可重复的评估。该协议的工作流程包含两种机制的结合：（1）混合聚合，即在基于时间和计数的窗口中合并数据包，同时保留优先级标签；（2）自适应调度，通过加权轮询方式管理双优先级队列。神经模糊控制器持续评估缓冲区占用率、链路质量、信道利用率、剩余能量和流量优先级。基于这些输入，通过模糊推理和神经自适应学习机制调节聚合深度、队列权重以及传输决策。性能测量任务包括计算数据包投递率、端到端延迟、吞吐量、节点级能耗以及网络寿命。通过多次运行进行统计分析，以验证结果的可靠性。与基线方案相比，该方法在仿真中表现出更优的性能。本协议提供了一个可重复的框架，用于探索适用于支持物联网的 WSN 环境中、具备能量高效性、可扩展性及服务质量感知能力的混合拥塞控制方法。

引言

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

物联网（IoT）的迅猛发展 necessitated 数以十亿计互联设备的部署，其中无线传感器网络（WSNs）在大多数情况下被用于提供实时监测和决策支持1,2。这些网络已成为物联网系统在截然不同领域中的核心结构，例如医疗健康监测3、智慧城市4、精准农业5、工业自动化6以及环境感知7。无线传感器网络由传感器节点构成，这些节点具有带宽、能量和计算能力等有限资源。由于物联网流量本身具有高度动态性和突发性，这些限制进一步加剧了问题，因此上述网络极易发生拥塞8。

该方案特别适用于中到大规模的物联网部署（150–750个节点），在严格的能量约束下产生混合的周期性和突发性流量。这类情况在医疗监测、智慧城市感知和工业自动化系统中十分常见，尽管节点资源有限，仍需确保可靠的数据传输和低延迟通信9。

无线传感器网络（WSN）中的拥塞可能通过多种方式严重影响网络性能，包括数据包丢失、队列延迟增加、吞....

访问受限。请登录或开始试用以查看此内容。

方案

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

1. 仿真环境设置

  1. 在配备至少 Intel i5 处理器、8 GB 内存和 20 GB 存储空间的工作站上安装 Ubuntu 22.04 LTS。配置 GNU C/C++ 编译器和 Tcl/Tk 库，以编译和运行 NS-2.35。
  2. 安装 Python 3.10 及其 NumPy、SciPy、Pandas 和 Matplotlib 库，用于数据分析与绘图。启用 NS-2 的能量和队列监控模块，以捕获入队、出队、丢包、数据传递及能耗事件。
  3. 使用独立的随机种子对每个实验重复执行 5 次，以确保可重复性。
  4. 将仿真目录结构化为配置、脚本、结果和分析等子文件夹，并维护 Markdown 日志以记录配置参数和实验结果。
    注意：仿真工作流程中使用的所有 TCL 配置文件、NFDE 实现脚本及分析工具均包含在 补充文件 1 中。

2. 网络拓扑与流量生成

  1. 在 600 × 600 m² 的部署区域内，分别生成包含 150、300、450、600 和 750 个节点的无线传感器网络拓扑，节点均匀分布。
  2. 为每个节点初始化 25 J 的能量、75 m 的传输范围和 250 kbps 的带宽，以模拟物联网（IoT）类设备。
  3. 将汇聚节点....

访问受限。请登录或开始试用以查看此内容。

结果

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

PRAM 方案在单跳通信且缓冲区容量有限的无线传感器网络环境中是可行的。实验在不同的业务速率下进行，并将该方案在吞吐量、平均接入时延和平均非空缓冲区数量方面的性能与传统的 Aloha 协议及一种基于树的 Aloha 变体（T-Aloha）进行了比较。结果明确表明，所提出的方案在上述所有指标上均实现了更优的性能。

为了清晰地展示每个实验趋势与实验方案之间的机制性关联，我们提供以下解释：
分组投递率（PDR）与节点密度的关系
当节点密度增加时，中继节点和瓶颈区域对资源的竞争变得更加激烈。实验测得PDR提升，有力地表明混合聚合方法具有有效性，该方法减少了传输中的冗余，从而使流量更加有序，并缓解了上游队列的拥塞。聚合方法是随着密度增加而降低丢包率的主要原因；因此，这表明在合理控制聚合深度的情况下，即使在网络负载较重时，也能有效维持较高的分组投递率。

端到端延迟与流量负载的关系
在恒定比特率（CBR）和突发性流量情况下，延迟均显著受到自适应调度模块的影响。双优先级加权轮询调度器可减少队列积压，赋予对延迟敏感的数据.......

访问受限。请登录或开始试用以查看此内容。

讨论

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

实验结果表明，通过融合混合聚合、自适应调度和神经模糊自适应方法，物联网无线传感器网络中的拥塞控制得到了显著改善。事实上，与仅采用聚合、仅采用调度以及PCCP基线方法相比，新协议在不同节点密度和流量条件下，于数据包投递率、延迟、吞吐量、能效及网络寿命等方面均表现出更优的性能。这些优势充分证明，采用智能决策引擎协调多种机制的解决方案，优于使用孤立拥塞控制技术的方案。

影响可靠性的关键步骤
NS-2 仿真环境的准确配置——特别是路由参数、MAC 争用设置和双队列结构——至关重要，因为错误的设置可能掩盖拥塞控制策略的优势。同时，必须重视神经模糊决策引擎（NFDE）的校准：聚合深度的稳定性、队列权重更新以及传输速率调整均依赖于隶属函数设计、规则调优和学习率选择。训练不足或参数范围定义不清可能导致振荡行为和性能不稳定。此外，必须正确执行双队列加权循环调度（WRR）机制，以确保严格优先级的实施，并在不同负载条件下维持服务质量（QoS）。

修改与故障排除策略

访问受限。请登录或开始试用以查看此内容。

披露

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

作者声明，他们在本论文所报告的工作中不存在可能产生影响的竞争性财务利益或个人关系。

致谢

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

作者衷心感谢浦那维什瓦卡玛大学在整个研究工作开发过程中提供的研究设施和行政支持。作者还感谢计算机工程系为模拟和分析所必需的计算基础设施提供的支持。本研究未从任何公共、商业或非营利机构获得特定资助。大型语言模型工具仅用于语言润色和格式整理。所有科学内容、方法和分析均由作者独立完成。所有通过人工智能辅助生成的文本均经过审查，并对其准确性进行了验证。

....

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
水下模拟模块（可选）NS2 扩展仓库–测试水下无线传感器网络场景时使用
台式机/笔记本电脑（Intel i5/AMD Ryzen 5，≥8 GB 内存，≥20 GB 存储空间）市售产品–用于运行所有仿真
GNU C/C++ 编译器、Tcl/TkUbuntu 软件仓库–编译 NS-2 所必需
MATLAB R2022a（可选）MathWorks 公司https://www.mathworks.com如需使用 ANFIS/模糊建模时采用
NS-2.35 网络仿真器ISI/NS2 项目https://www.isi.edu/nsnam/ns/核心仿真环境
处理后的结果（.csv 文件）本研究生成-计算指标：PDR、延迟、吞吐量、能耗、网络寿命
Python 3.10（NumPy、SciPy、Pandas、Matplotlib）Python 软件基金会https://www.python.org用于数据分析与绘图
Python 分析脚本本研究生成-用于解析跟踪文件并生成图表的脚本
原始 NS-2 跟踪文件（.tr 文件）本研究生成-包含分组级传输和能耗事件
仿真配置文件（拓扑结构、业务模型、随机种子）本研究生成-复现实验所必需
Ubuntu Linux 22.04 LTSCanonical Ltd.https://ubuntu.comNS-2 的操作系统

参考文献

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

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

视频即将推出

相关文章