Modellierung eines neuartigen selbstoptimierten Wolf-Optimierers für ein heterogenes Netzwerkmodell für Energie- und Knotenlebensdauer-Analyse

Summary

Die Forschung präsentiert ein Protokoll zur Implementierung und Bewertung eines selbstoptimierten Wolf-Optimierers (SOWO) für energiebewusstes Clustering und Routing in drahtlosen Sensornetzwerken, mit Schritt-für-Schritt-Einstellungen und reproduzierbarer Bewertung zur Verbesserung von Lebensdauer, Durchsatz und Restenergie.

Abstract

Die wichtigen Dienste wie Überwachung, Informationssammlung und Datenübertragung von Hochrisikoumgebungen zu sichereren Orten werden weiterhin von Wireless Sensor Networks (WSNs) bereitgestellt. Diese Dienste werden durch die Mehrheit der energieeffizienten Routing-Protokolle verbessert, die für diesen Zweck strukturiert sind. Ein homogenes Routing-Protokoll wird angewendet, um den Energieverbrauch weit entfernter Hubs effizienter zu verringern; allerdings ist die Energieverbrauchsrate für dieses Protokoll höher, die Zuverlässigkeit ist geringer und die Informationen werden bei längerer Nutzung ungünstiger an den Wireless Router (WR) oder die Basisstation (BS) übertragen. Um diese Nachteile zu überwinden, wird in dieser Forschung ein modifizierter Self-Optimized Wolf Optimizer (SOWO) eingesetzt. Durch die Integration heterogener Knoten in den aktuellen Ansatz führt die Auswahl des Kopfes basierend auf der verbleibenden Energie eine mehrstufige Interaktionsstrategie in den gesamten Verbindungen ein. Der Einsatz einer Methode zur Elimination von Energielöchern bildet die Grundlage der entwickelten Routing-Technik. Jeder Ansatz zielt darauf ab, die Lebensdauer des Netzes zu verlängern und den Energieverbrauch zu senken. Basierend auf den Ergebnissen zeigt das vorgeschlagene Routing-Schema überlegene Konsistenzperioden, Restenergie, Durchsätze und Netzwerklebensdauer im Vergleich zu bestehenden Systemen. Die Forschung behandelt das klassische Clustered-WSN-Problem, die Lebensdauer und nachhaltige Lieferung unter engen Energiebudgets pro Knoten maximieren und gleichzeitig Last/Fairness ausbalanciert. Die Simulationsergebnisse zeigen eine Verbesserung von 3,4 % bzw. 32,22 % bei Netzwerkstabilität und Restenergie gegenüber bestehenden Algorithmen.

Introduction

Drahtlose Sensornetzwerke (WSN) und das Internet der Dinge (IoT) werden häufig auf verschiedene^{technologische Fragestellungen} angewandt. WSNs wurden unter unterschiedlichen Bedingungen eingesetzt, um Gegenstände zu bewegen, zum Beispiel Roboter, die verschiedene Besorgungen ausführen. Von Anfang an hat IoT grundlegende Hilfe geboten, insbesondere bei der Sammlung von Daten aus unsicheren Bereichen². Es gibt spezifische Gründe, warum diese Techniken derzeit in verschiedenen Systemen eingesetzt werden³, zum Beispiel in der Gartenbau, medizinischen Dienste, ökologischen Beobachtungen, militärischen Untersuchungen, Strukturmanagement, Verkehrsmanagement, Überwachung von Änderungen bei Wasserstandsänderungen usw.⁴.

In einer drahtlosen Netzwerkumgebung werden Daten typischerweise gesammelt und an einen Empfängerknoten, bekannt als Basisstation (BS), zur weiteren Verarbeitung^gesendet. Die Sensorknoten verbessern kontinuierlich die Leistung des Netzwerks, indem sie ihre begrenzten Ressourcen effizient nutzen. Bezüglich der Werke⁶ kann die Entwicklung von Mechanismen zur Reduzierung des Energieverbrauchs der Knoten und zur Verbesserung der Netzwerklebensdauer die Leistung des drahtlosen Sensornetzwerks^{steigern 7}. Die verschiedenen Einheiten der Sensorknoten werden für höhere Energie verwendet: Kommunikationseinheiten, Datenverarbeitungseinheiten und Sensoren. Die erste Kommunikationseinheit ist die energieaufwendigste⁸. Im Bereich drahtloser Sensornetzwerke werden die maximal energieeffizienten Techniken als hierarchische Routing-Protokolle angesehen, die weit^{verbreitet sind.} Da die Daten von den benachbarten Knoten empfangen werden, verwendet der Cluster Head (CH) Single-Hop- und Multi-Hop-Interaktionen, um den Netzwerkzustand an den BS basierend auf deren Entfernung vom BS zu melden. Diese Arten von Routing-Techniken sind in der Studie¹⁰ aufgeführt.

In der zugehörigen Literatur werden mehrere clusterbasierte Routing-Algorithmen für WSNs erwartet. Ein hierarchisches Routing-Schema wurde in Moridi et ^al.11 vorgeschlagen, das die Lebensdauer des unterstützenden Netzwerks nacheinander verlängert. Das betrachtete Netzwerk wird entsprechend auf Grundlage der Untersuchungsstudie¹² ausgewählt, die eine Routing-Technik zur Netzwerkauswahl entwickelt hat.

Priyadharshini et ^al.13 beschreiben das wahrscheinlichkeitsbasierte Clustering-Protokoll, bekannt als verteiltes energieeffizientes Clustering (DEEC). Die vom DEEC gewählte CH hängt vom Verhältnis der verbleibenden Energie zur mittleren Energie jedes Knotens im entwickelten Netzwerk ab. Die Autoren untersuchten ein homogenes System, das als Low-Energy Adaptive Cluster Hierarchy (LEACH)-Protokoll bekannt ist, und untersuchten dessen Heterogenität. Die Autoren entwickelten daraufhin das LEACH, ein heterogenes System, das zwei Systeme vergleicht, homogene und heterogen¹⁴. Eine Methode, die mit der dezentralen energieeffizienten Clustering-Technik entwickelt wurde, wird für heterogene entfernte Sensornetzwerke^{vorgeschlagen}. Es handelt sich um die verbesserte Variante des Distributed Energy Effective Clustering.

Die Experten schlugen eine weitere Fortschrittsmethode¹⁶ vor. Der neuartige Algorithmus veränderte die durchschnittliche Wahrscheinlichkeit überlegener Hubs, deren verbleibende Energie nicht genau dem Schwellenwert der Restenergie entspricht, der vom typischen Raum zwischen den Hubs und dem BS statt der üblichen Netzwerkenergie abhängt.

Das Distributed Energy-Effective-Clustering¹⁷ erhöhte die Möglichkeit der Wahl des Protokolls, indem es den durchschnittlichen Speicherplatz zwischen den SNs und dem WR sowie den Abstand zwischen Superknoten bei der Auswahl der Clusterköpfe berücksichtigte. Die bessere Effizienz von E-DEEC hinsichtlich Durchsätze, Systemlebensdauer und Überschussenergie wird durch die Simulationsergebnisse dargestellt. Die Arbeit von Nurelmadina et al. ist das entscheidende Element, das Forscher dazu ermutigt, sich auf diese Arbeit zu konzentrieren¹⁸. Drahtlose Sensornetzwerke (WSNs) erfordern eine sorgfältige Knotenplatzierung, da eine zufällige Installation blinde Flecken und unterbrochene Verbindungen erzeugt; Die Maximierung der Abdeckung und die gemeinsame Erhaltung der Konnektivität sind daher ein zentrales Optimierungsziel und kein Vorteil. Der Stand der Technik zeigt, dass klassische Schwarm-Ansätze (z. B. PSO/ACO) und Ad-hoc-Deployment-Strategien oft unter langsamen Konvergenz- und lokalen Optima-Fallen leiden, was wiederum zu geringer Abdeckung und fragile Konnektivität führt¹⁹. Eine aktuelle metaheuristische Übersicht hebt hervor, dass solche Schwächen typischerweise aus einer unausgewogenen Dynamik zwischen Erforschung und Ausbeutung resultieren; Es plädiert für Hybride, die explizit globale Suche und lokale Verfeinerung ausbalancieren, und untersucht, wie hybride Steuerungs-/Kopplungsschemata so gestaltet werden können, dass dies^{erreicht wird}. In WSN-spezifischen Node-Deployment-Tests hat der Improved Chaotic Grey Wolf Optimizer (ICGWO) in mehreren Umgebungen ≥99 % Abdeckung erreicht, mit durchschnittlichen Gewinnen von bis zu ~16 % gegenüber starken Baselines, was zeigt, dass chaosgesteuerte Hybridisierung sowohl die Abdeckung als auch^die Konnektivität deutlich verbessern kann. Ergänzend validiert ein Grey Wolf-Particle Swarm-Hybrid (HGWPSO) dieselbe Designlogik über verschiedene Ingenieuraufgaben hinweg, meldet Verbesserungen von 43–99 % in mehreren Benchmark-Fällen und hebt die Hybridisierung als robusten Weg zu schnellerer Konvergenz und besseren Lösungen^{hervor 19}. Die entwickelte Technik, Self-optimized Wolf Optimizer (SOWO), verwendet die Single-Hop- und Multi-Hop-Interaktionsstrategien vom Feld zum BS, die^{nicht vorkamen}. Diese Strategie minimiert den Energieverbrauch der Knoten, indem sie die irrelevante Informationsübertragung durch die weit entfernten Knotenpunkte an das weit entfernte BS vermieden wird.

Protocol

Dieser Abschnitt beschreibt das entwickelte heterogene Protokoll in diesem Abschnitt. Bei dieser Technik teilt die Organisation die Sensorhubs basierend auf einem vorab festgelegten Randabstand in vier logische Bereiche. Die Gateway-Knoten und die Basisstation (BS) werden extern zum Detektionsfeld und separat am Mittelpunkt des Netzwerks platziert. Der Hub, dessen Abstand zum Gateway-Knoten kleiner als die vorab festgelegte Entfernung ist, wird den Feldern 1 und 2 zugewiesen. In dieser Situation senden die Knoten die Daten entweder an den Gateway-Knoten oder an den BS über direkte Kommunikation. Diese Knoten repräsentieren die homogenen Knoten. Angenommen, der Internoderaum ist größer als der vorab festgelegte Schwellenraum und näher am WR-Knoten. In diesem Fall befinden sie sich in den Bereichen 3 oder 4, wie in Abbildung 1 dargestellt. Diese Knoten werden heterogene Hubs genannt. Wahlen finden in beiden Regionen statt, und ihre Restenergie wird zur Auswahl von CH verwendet. Informationen aus diesen Gebieten werden mit dem Multi-Hop-Interaktionsansatz an BS gesendet. Der CH in Region 3 liefert den Abschlussbericht an die Gateway-Knoten und integriert die Informationen, bevor er sie an die BS weiterleitet. Die Knoten in jedem Bereich kommunizieren ihre Informationen mit anderen Knoten innerhalb ihres Energielimits. Wenn die Knoten keine Informationen senden können, ruhen sie sich aus, um ihre Energie zu erhalten.

Netzwerkmodell
Die Definition der Netzwerkstruktur ist in Abbildung 1 dargestellt. Dieses Netzwerk ist als G(L, BS, H_o, GW, H_e) bekannt, wobei die Basisstation als BS bereitgestellt wird, das Netzwerk-Gateway GW ist und homogene Knoten als H_o dargestellt werden, heterogene Knoten als H_e und die Menge von Kommunikationsnetzen, die die bestimmten Knoten verbinden (jeder Knoten, der BS einschließt, H_o, GW, H_e) werden als L angegeben. Die Merkmale des Netzwerks sind wie folgt: (i) Wie in Abbildung 1 dargestellt, ist das Netzwerk in vier Subnetzwerke in den Regionen 1, 2, 3 und 4 unterteilt. (ii) Mindestens 1 Knoten im Bereich 4 ist mit einem Knoten in Bereich 3 verbunden. (iii) Die WR ist mit der Basisstation im Bereich 2 verbunden. (iv) Jetzt sind WR und Basisstation verbunden. Jeder Knoten im Bereich 1 ist mit dem BS verbunden. (v) Jeder Knoten in den Bereichen drei und vier ist nicht mit dem BS verbunden.

Energieverbrauch
In dieser Forschung sieht die Energienutzungstechnik wie folgt aus: Die Knoten der WSNs werden zufällig geteilt und haben keine vorgegebenen Standorte. Basierend auf dem Interspace zwischen den Knoten führt die Kommunikation dazu, dass ein erheblicher Teil der Energie eines Knotens verloren geht. Die beiden Arten der Informationsübertragung und des Sammelns von Informationen verbrauchen Energie. Daher beträgt die erforderliche Energie, um ein Datenpaket mit einer Länge von (m) Bits über die Entfernung zu übertragen:

(1)

Dabei gibt E_TX die während der Datenübertragung des Knotens verbrauchte Energie an, hat der Prozess der Übertragung und des Empfangens eines Datenbits eine Energieverbrauch von_Eelec, ε_fs den Freiraum-Energieverbrauchskoeffizienten, ε_mp die Energieverluste der Mehrwege-Koeffizienten-Technik darstellt, und der Übertragungsraum als Weichegel angegeben wird, der berechnet wird als:

(2)

Der vom empfangenden Knoten erwartete Energieverbrauch für ein Datenpaket mit m -Bit wird wie folgt bestimmt:

(3)

Das genannte Modell kann die Energie bestimmen, die der CH verbraucht. Die von den CHs verwendete Energie umfasst im Wesentlichen drei Perspektiven: die Energienutzung durch das Empfangen von Datenpaketen von Benutzerknoten, das Zuordnen von Informationen und das Senden der fusionierten Informationen an das WR. Die Schätzformel ist wie folgt angegeben:

(4)

Die Anzahl der Mitgliedsknoten wird mittels _CM-Num dargestellt, und E_DA ist die Kosten, die für die Aggregation von 1 Bit Daten erforderlich ist; Die Länge des Pakets beträgt M. Die vom Nicht-CH-Hub verbrauchte Energie entspricht einfach dem Energieverbrauch der Übertragung von Informationen an den WR, und die numerische Formel lautet wie folgt:

(5)

Im Folgenden wird die gesamte Restenergie der ^r-ten Runde berechnet:

(6)

Wobei die gesamte verbleibende Energie wie in der Runde_{E tohR}(r - 1) angegeben ist, wird die Anzahl der in der Runde vorhandenen CHs als CH_num(r) dargestellt, das N_lebendig(r) adressiert die gesamten aktiven Knoten in der Runde des bereitgestellten Netzwerks, E_Ch (i) die Energienutzung von ^i-ter CH und E_nicht-CH(j) die vom nicht-CH(j) verbrauchte Energie angibt.

Cluster-Auswahl
Der Algorithmus nutzt die vom Knoten bis zum WR berechneten Interspaces und die Energie, um die primären Cluster des Systems auszuwählen, wodurch die Gesamtzahl der CHs in den Clustern wie folgt begrenzt: Gemäß dem aufsteigenden Fitnesswert der SNs wird der Cluster der aktiven SNs in gleiche Teilmengen von m aufgeteilt (wobei m die gewünschte Clusterzahl ist, die äquivalent zu N/p ist, N zeigt die Anzahl der Sensorknoten und den Anteil p CHs an. In jeder Teilmenge wird der erste Clusterkopf für den Sensorknoten nahe der Mittelposition gewählt. Jeder Knoten wird dem Clusterkopf hinzugefügt, der ihm am nächsten ist, um den initialen Cluster basierend auf der euklidischen Entfernung zu erzeugen. Der Raum zwischen Knoten, BS und Restenergie bestimmt den Fitnesswert des Knotens.

(7)

Wobei das Gewicht als ₁ angegeben ist, die Primärenergie E_i ist, die Restenergie als E_r und der Raum vom Knoten zum WR als d_BS dargestellt wird. d_maxBS ist der maximale Zwischenraum zwischen SN und WR, und d_MinBS gibt den minimalen Raum zwischen SN und WR an.

Selbstoptimierter Wolf-Optimierer (SOWO)
Die CHs werden mit dem SOWO ausgewählt. Im Wolf-Optimierer wird der Standort der Beute anhand der durchschnittlichen Masse der drei Wölfe (α, β und δ) bestimmt, wie in Abbildung 2 dargestellt. Unter Berücksichtigung der Differenzierung zwischen BS und dem Knoten sowie dem Raum zwischen der Restenergie wird der Fitnesswert des Knotens als primäres Gewicht der Grey-Wolf-Optimierung betrachtet, die mittels Gleichung (8) bestimmt wird. Der Anfangsstandort der Beute wird anhand der Gleichungen (8) bis (11) und der Optimierungstechnik von SOWO berechnet.

(8)

(9)

(10)

(11)

Wo die Primärmasse der Wölfe α, β und δ ω_Iα, ω_Iβ und ω_Iδ beträgt, ist der beste Fitnesswert für α Wolf F_α, F_β und F_δ, die mit Gleichung 11 berechnet werden. Die einzelnen Knoten, die den drei höchsten Fitnesswerten entsprechen, sind α, β und δ Wölfe. Das entwickelte Protokoll ändert das Gewicht der Grey-Wolf-Optimierung nicht, da der Fitnesswert des Knotens nach Abschluss einer Datenübertragung geändert wird. Um die weltweite Suchkapazität des Grey-Wolf-Optimierers zu schaffen, werden die Lasten aktiv durch die Vektoren A und D modifiziert. Hier zeigt A den Koeffizientenvektor an, und die Entfernung vom Wolf zu seiner Beute ist D. Die Gleichungen (12) und (15) werden verwendet, um A und D zu bestimmen. Die Position der Beute und die Formel zur Lastaufrüstung werden wie folgt beschrieben: die (t + 1)^-te Iteration:

(12)

(13)

(14)

(15)

Wobei die Positionen von α Wolf, β Wolf und δ Wolf in der Iteration (t+1) angegeben sind, werden diese Positionen mit Gleichung (15) berechnet. Während der letzten Iterationsphase wählt der CH unter den vorhandenen Knoten aus, welcher Knoten der Beute näher ist. Die Aufgabe des CH ist komplizierter, sodass die Restenergie die Aufgabe nicht erfüllen kann, was zum Ende des Knotens führt. Daher ist es entscheidend, den Knoten mit der maximalen verbleibenden Energie auszuwählen und näher an der Beute zu sein. Die verbleibende Energie des Knotens und die Entfernung vom Knoten zur Beute werden als Parameter für den Fitnesswert verwendet, der zur Auswahl des CH verwendet wird. Der Knoten mit einem niedrigeren Fitnesswert wird als Clusterkopf identifiziert. Die Funktion, die zur Berechnung des Fitnesswerts verwendet wird, ist wie folgt angegeben:

(16)

Wobei das Gewicht als ₂ angegeben ist, wird die verbleibende Energie des Knotens als E_x dargestellt, E_max ist die maximale Restenergie und E_min ist die minimale verbleibende Energie in den Clusterknoten. Der Abstand zwischen Beute und Knoten beträgt d_p, d_Maxp ist der maximale Abstand zwischen dem detektierenden Knoten und der Beute, und d_Minp ist der minimale Abstand zwischen SN und Beute.

Selbstoptimierungs-Wolf-Agent
Softwareagenten überwachen und verwalten die Netzwerkgrößen und Knoten-Gateways. Die Softwareagenten ersetzen traditionelle Clients und Server, die sich in der lokalen Kommunikationsstrategie und der Codemobilität unterscheiden. Überwachung ist ein entscheidender Faktor für das Verständnis von Managementsystemen. Aufgrund dieser Bedeutung wurde die Software-Agenten-Technologie vorgeschlagen, um Knoten-Gateways innerhalb des Netzwerknetzes zu überwachen. Neben der Überwachung liegt es in der Verantwortung der Agenten, die Liste der Netzwerkknoten zu aktualisieren. Diese Daten sind aufgrund der Netzwerkgröße unerlässlich, sodass der Selbstkonfigurationsprozess die Routingprotokollparameter dynamisch konfigurieren kann. Im Kontext dieser Arbeit sind dies die wünschenswertesten Eigenschaften unter vielen, die im Verhalten von Softwareagenten zu finden sind. Wireless Agents werden an den Client-Node-Assoziationen eines Mesh-Routers und des Routers selbst installiert. Bei der Identifizierung der Netzwerkdichte erledigt der Agent bestimmte Aufgaben auf kleinen, standardisierten und großen Skalen. Die Partituren für die drei Tonleitern (klein, Standard und groß) sind vertreten. Die Agenten prägen die Prämisse der Auto-Design-Kapazität der vorgeschlagenen Protokolle. Diese Agenten übernehmen die Verantwortung für die Verifizierung des Netzwerkverhaltens sowie für den Durchsatz, das Verhältnis von Datenpaketverlusten, Unterbrechungen, Durchsatz, Leerlauf, dynamische und ruhende Hubs sowie Daten über die Verbindung. Netzwerkagenten sind an den Mesh-Routern stabil und bieten die Selbstoptimierungsfähigkeit der vorgeschlagenen Protokolle. Selbstassoziation entsteht in Netzwerk-Remote-Organisationen, indem sie Self-X-Kapazitäten (Optimierung, Aufbau, Fix^{und Sicherheit 19}) in das Routing-Protokoll implantiert. Diese Fähigkeiten ermöglichen Routing-Protokolle eine autonome Funktion, was die Netzwerkleistung, Fehlertoleranz und den Schutz verbessert. Im Folgenden eine Beschreibung der Ausführung der genannten Fähigkeiten mit Schwerpunkt auf Selbstkonfiguration und Selbstoptimierung. Bemerkenswert ist, dass Selbstfunktionen in Netzwerkschichten als Erweiterungen von Standarddiensten für Routingprotokolle ausgeführt wurden (Supplementary File 1).

Clustermenge (CS)
CS ist eine Sammlung mehrerer Cluster in einem Netzwerk, und der Clustering-Algorithmus ermöglicht es, ein Netzwerk in verschiedene Cluster zu unterteilen. In dieser Forschung werden die ersten ausgewählten Cluster als erste CS bezeichnet, die als gegenwärtiges Ideal als CS gelten, und der Zielfunktionswert der aktuellen perfekten CS wird berechnet. Der modifizierte Grey Wolf Optimizer (MGWO) kann alle Cluster im aktuellen perfekten CS beliebig modifizieren, um einen weiteren Cluster zu erzeugen, und die Mehrheit der neu gebildeten Cluster rahmt einen weiteren CS; erneut wird der Zielfunktionswert der neuesten CS bestimmt. Wenn der Zielfunktionswert des aktuellen optimalen Clusters höher ist als der des neuesten Clusters, wird der neu bestimmte Cluster als gegenwärtiges Ideal CS genommen. Der perfekte CS wird auf die letzte Phase des Termins ausgerichtet. Die Zielfunktion wird wie folgt beschrieben:

(17)

Wobei das Gewicht als ₃ dargestellt wird, wird die Summe des Raums zwischen den Clustern im CS als d_TCH angegeben und die gesamte Entfernung zwischen CH und WR als d_TBS dargestellt. Der Cluster und die Kommunikationsdistanz zwischen CH und BS bilden die Grundlage für Fernüberwachung und Zielverfolgungsdesign. Wenn der Zielfunktionswert niedriger ist, zeigt dies, dass die Bestimmung des Clusterkopfes sinnvoller ist, der CH im Cluster ideal ist und das Cluster-Headset im Vergleich zum gesamten Netzwerk perfekt ist. Algorithmus 2 (Supplementary File 2) beschreibt den SOWO-Pseudocode.

Results

Hier vergleicht MATLAB R2024a die entwickelten heterogenen Routing-Protokolle mithilfe von Simulationen mit Routing-Protokollen. In der Simulation wird das Netzwerk von 100 detektierenden Knoten beliebig mit einer Dimension von einem Knoten alle 100 m eingesetzt. Die WR-Knoten befinden sich im Netz auf (50 m, 120 m) und (50 m, 50 m). Ungefähr 20 Prozent der homogenen Knoten mit (m als 0,2 und als 1) haben weniger Energie als die heterogenen Knoten. Nach der Bereitstellung bleibe...

Discussion

Das vorgeschlagene SOWO nutzt WRs und homogene Knoten. Das stabile Wahlprotokoll verwendet heterogene Knoten als CHs und enthält einen BS-Knoten in der Mitte des Clusters, der von den Sensorknoten umgeben ist. Erhöhte Energie ist erforderlich, wenn die Basisstation außerhalb der Region¹⁴ platziert ist. Dies führt zu reduzierter Energie, und das Energieniveau erreicht in sehr kurzer Zeit Null. Die vorgeschlagene Technik hat eine geringe Energiereduktionsrate im Ver...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Intel(R) Core(TM) der 12. Generation i5-1235U (1,30 GHz)	Intel Corporation, USA	–	Hardware, die für die Simulationsausführung verwendet wird
16 GB DDR4-RAM	Kingston Technology, USA	–	Speicher, der während Simulationsläufen verwendet wird
MATLAB	MathWorks USA	R2024a	Verwendet zur Implementierung von Algorithmen, zum Ausführen von WSN-Simulationen und zur Analyse von Ergebnissen
Microsoft Windows 11 Home	Microsoft Corporation, USA	Bau 22631	Betriebssystem, das zur Durchführung von Simulationen verwendet wird
Synthetischer Datensatz erzeugt in MATLAB	MathWorks, USA	R2024a	Benutzerdefinierter Datensatz erstellt für Algorithmustests