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、吞吐量下降以及能量消耗加速8,10。在任务关键型物联网（IoT）场景中，例如远程医疗或灾害救援，由拥塞引起的延迟或数据包丢失可能导致致命后果11,12。现有的拥塞控制方法主要分为三类：基于流量的方案（源速率限制、反压控制）13,14、基于聚合的方案（网络内数据融合）15,16，以及基于调度的方案（优先级队列、信道分配）9,17。这些技术在一定程度上取得了成效，但单独使用时也存在局限性。例如，基于流量的方法通常因非选择性地降低源节点速率而损害应用性能；基于聚合的方法虽可消除冗余，但会增加对时间敏感数据流的延迟；而基于调度的策略虽能提升公平性，但在缺乏高流量负载的情况下无法有效运行6。

与仅基于流量、仅基于聚合和仅基于调度的方案相比，混合神经模糊控制在数据包传输可靠性、延迟和能耗之间提供了更为平衡的权衡。通过根据实时网络状态联合调节聚合深度和调度优先级，该方法在高负载和异构的物联网工作负载下能更有效地缓解拥塞18。

研究动机
由物联网支持的无线传感器网络会产生异构且通常呈突发性的流量，使其容易出现拥塞、队列溢出和过度重传等问题。现有的基于流量、仅聚合或仅调度的方案在动态负载条件下，无法在数据包传输率、延迟和能耗之间实现良好的平衡19,20。鉴于上述局限性，本研究提出一种混合型拥塞控制协议，该协议结合了自适应聚合、支持服务质量的调度机制以及神经模糊决策方法，旨在密集的物联网无线传感器网络环境中提供可靠、低延迟且高能效的性能表现。

近期研究凸显了结合聚合与调度的混合机制在平衡吞吐量、延迟和能效方面的潜力21,22。采用模糊逻辑、强化学习或神经模糊推理的自适应方法进一步增强了对动态网络状态的响应能力23,24,25,26。然而，目前大多数方法依赖静态阈值，增加了计算开销，不适用于资源受限的节点，并且在异构物联网工作负载下缺乏鲁棒性27,28。因此，对轻量级、自适应且能够响应流量变化、同时延长网络寿命的智能拥塞控制机制的需求仍然十分迫切。

已有大量研究致力于提升物联网使能的无线传感器网络（IoT-enabled WSN）中的可靠性、服务质量（QoS）增强以及安全数据处理能力。研究发现，基于能量感知的故障检测与恢复机制29,30能够提高在动态环境中系统的鲁棒性及端到端性能31。轻量级区块链协议可用于进一步保障物联网-无线传感器网络（IoT-WSN）应用中的数据通信安全。分层基于规则的故障检测方法的实施也有助于在资源受限的传感器部署中维持服务质量（QoS）。这些改进表明，现代物联网系统迫切需要能够与可靠性、安全性以及资源高效利用相集成的拥塞控制解决方案。

尽管针对无线传感器网络（WSNs）的拥塞控制技术已得到广泛研究，但现有解决方案大多仅考虑单层机制——即流量速率调节、数据聚合或调度中的一种15。然而，所讨论的协议采用了一种多层自适应机制，其中混合聚合、基于优先级的调度以及神经模糊决策相互协同，并持续地相互更新。与仅使用模糊逻辑的传统方法不同，NFDE 采用由 ANFIS 指导的神经自适应调优，从而能够根据实际的流量模式动态调整隶属函数和规则参数。得益于这种集成的跨层协调机制以及适用于物联网硬件的轻量级计算，所提出的协议显著区别于其他模型。

在此论文之前，关于无线传感器网络（WSN）中拥塞问题的研究已十分广泛，大量综述文献报道了数百种针对链路层、缓冲区溢出或介质竞争层面拥塞的算法。大多数解决方案旨在单个协议层上解决这些问题，而跨多层的自适应拥塞控制问题却鲜有涉及9,21。本研究通过将跨层自适应机制与适用于物联网（IoT）级别硬件的轻量级神经模糊模块相结合，填补了这一空白。

针对上述问题，本研究提出了一种智能拥塞控制机制，该机制能够将混合聚合与调度技术同面向物联网的无线传感器网络（WSN）中的神经模糊决策引擎相结合。聚合组件通过采用基于时间的窗口和基于数据包数量的窗口，减少冗余传输。调度组件通过针对关键流和非关键流的双队列加权轮询机制，确保公平性并满足服务质量（QoS）要求。神经模糊引擎持续监测主要的网络状态变量，包括缓冲区占用率、信道利用率、剩余能量、链路质量和业务优先级。通过结合神经自适应学习能力的模糊推理规则，控制器动态调整聚合深度、调度权重以及传输速率。这种闭环系统使协议在应对实时拥塞情况时具备足够的灵活性。

我们提出了关键的研究问题，以帮助明确研究的范围和重要性，并能够清晰地呈现这些内容。指导本研究的研究问题如下：
RQ1： 与独立方法相比，混合聚合与调度如何更有效地降低支持物联网的无线传感器网络中的拥塞？
RQ2：神经模糊决策引擎在不同流量负载下适应网络状态方面发挥什么作用？
RQ3：与传统的拥塞控制方案相比，所提出的协议在分组投递率、延迟、吞吐量和能量效率方面有何改进？
RQ4：所提出的协议能否在维持多样化物联网应用服务质量的同时延长网络寿命？

本研究的贡献主要体现在四个方面。首要贡献是提出了一种面向物联网使能的无线传感器网络中拥塞控制的混合聚合与调度框架，并结合神经模糊自适应机制。其次，本研究实现了一个可重复的仿真框架，用于在不同网络规模和流量强度下测试性能表现。第三，研究展示了在分组投递率、延迟、吞吐量、能量效率以及网络寿命等方面相对于基线方法的可量化提升。最后，本研究提供了数据、配置文件和分析脚本，以促进研究的开放性和可重复性。

不同的拥塞控制方法，包括仅模糊控制、仅聚合、仅调度以及基于深度强化学习（DRL）的方法，均存在各自的局限性。本研究提出的方法通过采用多层自适应混合聚合、双队列自适应调度以及神经模糊决策引擎，将上述机制集成于一个轻量级且对硬件友好的统一框架中，从而有效应对这些局限。与计算开销大、收敛时间长的基于DRL的方法相比，所提出的神经模糊层能够近乎实时地执行操作，且显著降低能耗与CPU占用率，因此特别适用于物联网（IoT）类传感器节点。本文对多种拥塞控制方法进行了比较 表1 以及所提出的方法。

表1：现有拥塞控制方法与所提出方法的比较。 本表概述了无线传感器网络中不同类别的拥塞控制方法（如仅模糊逻辑、仅聚合、仅调度以及基于深度强化学习的方法）最重要的特征、优势和局限性。该表指出了所提出方法的独特之处，即结合了混合聚合、自适应优先级调度和轻量级神经模糊决策引擎，从而在低计算开销下实现多层自适应能力。通过对比可见，所提出的协议能够在实现更高分组投递率、更低延迟、均衡吞吐量和更高能量效率的同时，仍兼容资源受限的物联网无线传感器网络设备。请点击此处下载该表格。

相关研究
近年来关于物联网无线传感器网络（WSNs）中拥塞控制的研究表明，在异构且突发性强的流量负载下，单一层次的技术——如纯数据聚合、流量节流或调度——不足以应对由此引发的缓冲区溢出、数据包碰撞以及严重的能量浪费¹-⁵。因此，聚合与调度相结合的混合方案逐渐受到重视，能够在节点密度增加的同时有效减少冗余传输并调节信道竞争6,7,8,10。跨层变体方法通过整合路由、聚类和MAC层调度，稳定汇聚型数据流及混合QoS工作负载11,12,13，而模糊逻辑或启发式触发机制则根据局部拥塞信号动态调整聚合深度和服务策略14,15,16。软计算技术进一步提升了响应能力：模糊控制器通过缓冲区占用率、链路质量和重传次数推断队列状态9,17,21；神经-模糊系统在此基础上通过学习规则权重，实现对数据包投递率（PDR）、延迟、吞吐量和能耗等多目标优化22,23,24。与此同时，深度强化学习（DRL/RL）方法用于管理速率控制、缓存和调度25,26,27,28，而基于生成模型或优化的框架则在压力条件下重构簇结构与路由路径，并调节局部流量行为²9。在这些多样化的方法中，智能混合方案始终优于静态方法，能够有效抑制队列溢出、稳定竞争窗口、降低延迟，并在不同流量条件下提升吞吐量和能量效率8,9,12,24,25,26,27,28,29,30,32,33,34。

另一研究方向致力于通过根据能量水平、链路状态和应用优先级调整拥塞控制参数，以延长网络寿命并提升服务质量（QoS）。研究表明，聚合相关数据包可减少传输次数，而自适应调度则能最小化竞争、空闲监听和碰撞风暴14,17,18,27,30,32,33,34,35,36。基于优先级的机制可在节制非关键遥测数据发送的同时，保障紧急医疗或工业流量的传输18,32,33,35，而模糊逻辑/神经模糊路由、聚类及速率控制进一步缓解了高负载场景下的振荡问题33,18。其他进展包括用于路由的AI驱动优化37、聚类38以及长期拥塞感知映射39，结合智能故障检测40、基于区块链的安全通信31和能量感知恢复⁴1，凸显出拥塞控制方案正日益向集成化和上下文感知方向发展。尽管取得了上述进展，大多数现有方法仍缺乏一个统一、轻量级、支持实时运行的框架，能够协同管理聚合、调度以及针对多样化物联网工作负载的智能自适应。这一空白推动了智能混合拥塞控制系统的发展，该系统利用神经模糊决策机制，以实现在现代支持物联网的无线传感器网络环境中具备可扩展性、服务质量感知和高能效的性能表现。

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（sink node）置于网络中心或网络边界，以构建异构的路由路径。
  4. 引入包含周期性恒定比特率流量（1 个数据包/秒）和事件驱动突发流量（5–10 个数据包/秒，持续 20–30 秒）的流量模型。
  5. 结合背景流量与高优先级流量，测试协议区分和优先处理不同流量的能力。表 2 提供了仿真参数的汇总。
  6. NS-2 仿真配置参数
    1. 路由协议：所有仿真均采用按需距离向量（Ad hoc On-Demand Distance Vector, AODV）路由协议。设置以下关键参数：Hello 间隔：1 s，活动路由超时：3 s，TTL 起始/最大值：2 / 7 跳。
      注：选择 AODV 是由于其控制分组开销轻量，且适用于动态的物联网/无线传感器网络（IoT/WSN）拓扑。
    2. MAC 配置：采用 MAC 协议 IEEE 802.11 DCF（分布式协调功能）。设置以下重要参数：基本速率：1 Mbps，数据速率：250 kbps（WSN 类数据速率），RTS/CTS：禁用（符合典型的低功耗 WSN 配置），CWmin = 31，CWmax = 1023，时隙时间 = 20 µs，SIFS = 10 µs，DIFS = 50 µs。
    3. 队列配置：设置队列类型为 PriQueue，以支持双优先级调度，队列长度（IFQ 长度）设为 50 个数据包。设置队列映射规则：高优先级流量映射至队列 1，普通流量映射至队列 2。队列行为设为 DropTail，用于处理溢出。
    4. 传播模型：选择 TwoRayGround 模型，适用于路径损耗随距离增加的典型物联网/无线传感器网络室外环境。设置交叉验证模型参数：天线高度：1.5 m，系统损耗因子：1.0，最小接收功率阈值：−95 dBm。
    5. 接口与天线模型：设置无线接口类型为 Phy/WirelessPhy。设置以下网络接口配置：接口队列类型：Queue/DropTail/PriQueue，网络接口：CMUPriQueue，以实现优先级服务。天线模型设为 Antenna/OmniAntenna，因其反映了典型传感器节点（如 MicaZ、TelosB 等）的特性。
    6. IFQ 长度与数据包大小：将接口队列长度（IFQLength）设为 50 个数据包，以确保在实际流量峰值时出现拥塞。设置以下数据包大小参数：默认 CBR 数据包：512 字节，MAC 头部：约 36 字节，AODV 控制数据包：约 32 字节。分片阈值设为“无”（禁用分片）。
    7. 信道设置：信道类型设为 Channel/WirelessChannel，频率设为 2.4 GHz ISM 频段（常见的物联网频率），带宽为 250 kbps，双工方式为半双工。设置链路层参数：初始能量：25 J，发射功率：0.66 W，接收功率：0.395 W，空闲功率：0.035 W，休眠功率：0.003 W。噪声基底设为 −100 dBm，载波侦听阈值（CST）设为 −94 dBm。

表2：用于评估所提出拥塞控制协议的NS-2.35仿真参数。 本表汇总了NS-2.35中的所有仿真配置，包括部署区域大小、节点密度、与能量相关的参数、MAC层和路由配置、队列结构、传播模型、数据包大小以及控制阈值。这些参数旨在确保混合型、仅聚合型、仅调度型及基线拥塞控制方案在性能比较时实验环境的完全可重复性。请点击此处下载该表格。

3. 方法学架构

  1. 通过整合混合聚合、自适应调度和神经模糊决策引擎，设计所提出的协议。
  2. 实施混合聚合，在基于时间或基于数据包数量的时间窗口内合并数据包，同时保留关键流量的优先级标签。
  3. 使用自适应调度管理两个队列——一个用于关键流量，另一个用于非关键流量，并采用加权轮询调度，动态调整队列权重。
  4. 利用神经模糊决策引擎监控缓冲区占用率、信道利用率、剩余能量、链路质量和流量优先级。
  5. 将这些输入映射到模糊隶属函数，应用推理规则以优化聚合深度和调度权重，并通过神经自适应学习精细调整系统决策。
    1. NFDE 模型结构：将神经模糊决策引擎（NFDE）实现为一阶 Sugeno 自适应神经模糊推理系统（ANFIS），包含五个输入变量和三个输出控制参数。该系统采用五层架构
      第1层 - 输入模糊化：将精确的传感器值转换为隶属度。
      第2层 - 规则触发强度：使用乘积推理计算规则的触发强度。
      第3层 - 归一化：对触发强度进行归一化处理。
      第4层 - 线性输出项：生成加权的线性输出。
      第5层 - 输出聚合：综合结果以生成聚合深度、调度权重和传输速率调整。
      每条规则的形式为：若（B 是 X1）且（C 是 X2）且（E 是 X3）且（LQI 是 X4）且（P 是 X5）→ f = p1·B + p2·C + p3·E + p4·LQI + p5·P + p0。
      该模型包含 15 至 25 条规则，具体数量取决于复杂性约束。
    2. 输入与输出变量
      1. 设定 5 个输入变量，分别为缓冲区占用率（B）— 当前队列长度与 IFQ 长度之比（0–1），信道利用率（C）— MAC 忙时占比（0–1），剩余能量（E）— 剩余能量比例（0–1），链路质量指示（LQI）— 归一化的链路成功概率（0–1），以及流量优先级（P），其中 1.0 表示关键，0.0 表示非关键。
      2. 设定 3 个输出变量，分别为聚合深度（A*）— 建议聚合的数据包数量（范围 1–6），调度权重（W*）— 分配给高优先级队列的权重（0.3–0.8），速率调整（R*）— 传输速率缩放（−20% 至 +10%）。
    3. 所有输入均使用定义在 0–1 范围内的三角形或梯形隶属函数。按以下数值范围设定隶属函数：
      缓冲区占用率（B）— 低：trapmf(0.0, 0.0, 0.20, 0.40)，中：trimf(0.30, 0.50, 0.70)，高：trapmf(0.60, 0.80, 1.0, 1.0)
      信道利用率（C）— 低：trimf(0.0, 0.15, 0.30)，中：trimf(0.25, 0.50, 0.75)，高：trimf(0.70, 0.85, 1.0)
      剩余能量（E）— 高：trapmf(0.70, 0.80, 1.0, 1.0)，中：trimf(0.40, 0.55, 0.70)，低：trapmf(0.0, 0.0, 0.30, 0.50)
      链路质量指示（LQI）— 好：trapmf(0.70, 0.80, 1.0, 1.0)，中：trimf(0.40, 0.55, 0.70)，差：trapmf(0.0, 0.0, 0.30, 0.45)
      流量优先级（P）— 非关键：trimf(0.0, 0.0, 0.1)，关键：trimf(0.9, 1.0, 1.0)
      输出隶属函数 — 由于 Sugeno ANFIS 使用精确的线性输出：
      A*（聚合深度）= a1·inputs + a0，裁剪至 [1,6]，W*（优先级权重）= w1·inputs + w0，裁剪至 [0.3,0.8]，R*（速率因子）= r1·inputs + r0，裁剪至 [−0.20, +0.10]
    4. 规则库构建：完整的规则库通常包含 15 至 25 条规则，具体数量取决于计算能力限制。设定一个典型的规则子集如下：
      若 B = 高 且 C = 高 → 降低 A*，提高 W*，降低 R*
      若 B = 中 且 E = 高 且 P = 关键 → 中等 A*，提高 W*
      若 LQI = 差 → 提高 A*（以减少重传）
      若 E = 低 → 降低 R*，降低 A*（节能）
      若 C = 低 且 P = 关键 → 设定 W* 为高
      若 B = 高 且 LQI = 好 → 降低 A*，提高 R*
      注：神经模糊规则系统的独特性。该模糊规则系统在两个方面不同于传统的拥塞控制方案：
      多输入耦合：同时考虑队列占用率、信道利用率、聚合深度和数据包优先级——这些指标在现有模糊 WSN 控制器中很少被联合使用。
      神经自适应规则调优：初始规则由专家定义，随后通过 ANFIS 学习进行优化，更新规则强度和输出参数以匹配实际网络状况。所使用的代表性规则包括：
      若队列占用率高且信道利用率高，则降低传输速率并增加聚合深度。
      若队列占用率中等且优先级高，则提高调度权重。
      若剩余能量低，则限制重传并减轻队列压力。
      这些动态规则调整使得拥塞缓解比静态模糊系统更具响应性。
    5. 定义并调优隶属函数和规则。首先，基于作为初步研究的 NS-2 仿真趋势经验范围设定模糊隶属函数。这些趋势包括缓冲区占用率、信道利用率、剩余能量和 LQI 分布。然后，通过 ANFIS 训练过程调整这些隶属函数，使用梯度下降法优化隶属函数边界和 Sugeno 输出参数。初始模糊规则库基于专家启发式方法建立。之后，训练神经自适应系统，使其规则权重和参数根据代表性流量模式进行更新，从而实现调优。
    6. 评估 NFDE 的计算开销，以确定其是否适用于物联网类传感器节点。记录推理时间，通常在运行频率为 72 MHz 的 Cortex-M4 微控制器上约为 1.2–1.8 ms。确保所有隶属函数和规则参数的内存消耗不超过 40 KB。所有 ANFIS 训练均在离线环境下完成，不在传感器节点上进行。为在极低计算负载下保持实时自适应性，部署期间仅使用轻量级推理部分。
    7. 训练流程：使用混合 ANFIS 算法离线训练 NFDE
      前向传播（最小二乘估计）：确定 Sugeno 规则的线性参数。
      反向传播（梯度下降）：更新非线性隶属函数参数。
      1. 设定训练参数：训练数据集大小：15,000 个样本（来自仿真流量状态），训练轮数：50，学习率（α）：0.01，误差容限：1 × 10⁻⁴，早停机制：连续 3 轮无性能提升，优化目标：最小化 NFDE 输出与真实控制配置之间的均方根误差（RMSE）。
  6. 拥塞通过条件级和子条件级指标共同揭示。通过检查队列占用率、队列增长率以及当 IFQ 接近容量极限时的数据包丢弃事件，识别节点级拥塞。从 MAC 忙时持续增加、回退间隔延长和碰撞概率上升中推断信道级拥塞。这些信号持续提供给神经模糊决策引擎，由其判断拥塞严重程度并发出自主控制措施。
  7. 一旦检测到拥塞，NFDE 将扩大聚合以减少数据包传输，重新配置调度权重以反映流量关键性，并降低传输速率以使队列恢复正常。将检测机制与应用层分离，从而即使流量类型不同，仍能维持拥塞处理能力。
  8. 每 1–2 秒更新一次参数，以实现近实时响应。参考表 3 中列出的隶属函数参数、输出范围和神经模糊决策引擎中应用的代表性模糊规则。查阅所列的数值隶属函数值、Sugeno 输出边界和示例决策规则，以准确复现控制器的推理和自适应行为。
  9. 分四个主要阶段进行分析：
    设置：准备 NS-2.35、Python 分析工具，并生成网络拓扑和流量模式。
    参数调优：配置聚合深度、调度权重、接口队列参数，以及 NFDE 隶属函数和学习设置。
    仿真执行：在多种节点密度和流量负载下运行所有场景，收集完整的 NS-2 跟踪文件，并记录入队、出队、丢弃、交付和能量状态等关键事件。
    分析：使用 Python 脚本提取 PDR、延迟、吞吐量、能耗和寿命等指标，并在基线之间计算统计显著性。
    注：该工作流程从配置到分析提供了清晰且可复现的顺序，如 图 1 所示。

表3：神经模糊决策引擎中使用的模糊隶属度函数、输出范围及代表性规则。 五个输入变量均具有三角形和梯形的隶属度函数，本表给出了它们的精确数值参数。该表还标明了Sugeno型输出的操作范围。代表性模糊规则展示了系统如何解释网络状态，以调整聚合深度、队列调度权重和传输速率缩放。可重复性参数包括隶属度函数数量（MF counts）、规则集大小、学习率和更新间隔，这些参数有助于直接复现NFDE。 请点击此处下载该表格。

神经模糊决策引擎示意图；自适应调度模型，优化流量，流程图。
图1：面向物联网无线传感器网络的智能拥塞控制协议架构。 本图展示了混合拥塞控制策略的完整集成工作流程。网络状态测量值——包括缓冲区占用率、信道利用率、剩余能量、链路质量和流量优先级——被输入至隶属函数层和神经模糊决策引擎（Neuro-Fuzzy Decision Engine），进而生成诸如聚合深度、调度权重和传输速率调整等自适应控制变量。这些变量用于控制混合聚合模块和自适应调度模块，从而联合优化流量指标，实现更高的数据包投递率、更低的延迟、更少的能量消耗以及更长的网络寿命。缩写：NF = Neuro-Fuzzy，PDR = Packet Delivery Ratio，WRR = Weighted Round Robin，WSN = Wireless Sensor Network，IoT = Internet of Things，AQM = Active Queue Management（如适用），RSSI = Received Signal Strength Indicator（如适用）。请点击此处查看该图的放大版本。

4. 数据集详细信息

注意：本研究中使用的仿真数据集是在 NS-2.35 环境中内部生成的，由于文件大小限制，未存入公开的存储库。然而，用于重现该数据集所需的全部配置文件、TCL 脚本、NFDE 代码以及 Python 分析脚本均已公开，可在以下 GitHub 仓库获取：https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN。研究人员可通过运行所提供的配置文件和脚本重新生成完整的数据集。其他数据文件可根据合理请求向作者索取。

  1. 通过生成配置文件、随机种子列表、原始 NS-2 跟踪文件、处理后的 CSV 结果，以及用于跟踪解析和可视化的 Python 脚本，准备数据集。
  2. 数据集来源说明：
    1. 使用 NS-2.35 仿真平台生成整个数据集，而非从外部或公共存储库获取。
    2. 配置 NS-2.35 以输出每次仿真的原始跟踪文件，包括入队、出队、丢包、投递、MAC 事件以及节点级能耗日志。
    3. 在仿真工作流程中以编程方式创建所有拓扑结构、流量模式和参数设置。确保每个场景生成约 20 MB 的原始跟踪数据，并将所有实验输出保存在项目目录中。
    4. 使用 Python 脚本处理这些跟踪文件，提取分组投递率、延迟、吞吐量、能耗和网络寿命等指标。
    5. 本研究未使用任何第三方或外部数据集。
  3. 涵盖节点密度、流量强度和随机种子组合的 75 种场景。
  4. 每个场景预计产生约 20 MB 的原始跟踪数据和 1–2 MB 的处理后结果，总数据集规模约为 2 GB。

5. 模拟执行

  1. 每次仿真运行 900 秒。将所提出的协议与三种替代方案进行比较：仅聚合方案、仅调度方案以及 PCCP 基线方案。
  2. 所有协议均采用相同的网络拓扑结构和随机种子，以确保可比性。从每次运行中收集跟踪文件，并按节点密度、业务负载和协议类型在结果目录中进行归类整理。

6. 数据分析

  1. 使用 Python 脚本解析跟踪文件，以计算分组投递率、端到端延迟、吞吐量、每个节点的能量消耗，以及网络寿命（首个节点死亡时间和 50% 节点死亡时间）。
  2. 对五次运行的结果取平均值，并以均值 ± 95% 置信区间的形式报告。
  3. 对于正态分布的数据采用配对 t 检验，非正态分布数据则使用 Wilcoxon 符号秩检验，并将 p < 0.05 视为差异具有统计学意义。

7. 软件使用的操作指南

  1. NS-2 执行与 Tcl 脚本调用
    1. 使用 NS-2.35 运行提供的 Tcl 文件（hybrid_protocol.tcl）中的仿真场景。
      运行单个场景：
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      参数说明：-nn（节点数），-seed（随机种子），-traffic（cbr|bursty），-out（跟踪文件）。
      批量执行：./configs/run_experiment.sh
  2. 用于跟踪解析与指标提取的 Python 脚本
    1. 解析跟踪文件
      python analysis/parse_ns2.py traces/out_300_seed3.tr --o results/metrics_300_3.csv
    2. 聚合指标数据
      python analysis/compute_metrics.py results --summary results/summary_all.csv
    3. 生成图表
      ​python analysis/plot_metrics.py results/summary_all.csv --output figures/
  3. NFDE 训练与推理
    1. 生成训练数据
      ​python nfde/anfis_train.py --generate 15000 --out nfde/training_data.csv
    2. 训练 NFDE 模型
      python nfde/anfis_train.py --train nfde/training_data.csv --epochs 50 --lr 0.01 --out nfde/nfde_model.pkl
    3. 运行 NFDE 推理
      ​python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. 预期结果

  1. 证明所提出的协议在基线方案6,7,13,14,17,24上的优越性能。即使在严重拥塞情况下仍保持较高的数据包投递率，通过自适应调度降低端到端时延，并通过控制冗余传输维持更高的吞吐量。
  2. 通过减少重传和均衡负载分配，展示该协议在能量效率方面的提升以及网络寿命的延长。
  3. 突出该协议在医疗健康、工业物联网和智慧城市等物联网使能的无线传感器网络（WSN）应用中的适用性，这些场景对及时且可靠的数据传输至关重要。

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 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).

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