Methodenartikel

Intelligenter Staukontrollmechanismus für IoT-fähige drahtlose Sensornetzwerke mit hybrider Aggregations- und Planungstechnik

DOI:

10.3791/69909

⸱

13. Januar 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

In diesem Artikel

Zusammenfassung

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

Dieses Protokoll führt eine intelligente Staukontrollmethode für IoT-fähiges WSN ein, die eine hybride Aggregations- und Planungstechnik verwendet, ergänzt durch eine neuro-fuzzy-Entscheidungsschicht. Das vorgeschlagene System verbessert die Paketzustellung, Verzögerung, Durchsatz und Energieeffizienz, verlängert so die Netzwerklebensdauer und gewährleistet QoS bei variablen IoT-Workloads.

Zusammenfassung

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

Stau in IoT-fähigen drahtlosen Sensornetzwerken (WSNs) verschlechtert die Paketzustellung, Latenz und den Energieverbrauch und beeinträchtigt das Netzwerk, insbesondere bei explodierenden und heterogenen Verkehrsbedingungen. Dieses Protokoll veranschaulicht eine intelligente Staukontrolltechnik, die hybride Datenaggregation, adaptive Planung und eine neuro-fuzzy-Entscheidungs-Engine kombiniert, um die Netzwerkbelastung effizient zu bewältigen. Die Methode beinhaltet zunächst die Erstellung von Simulationsdaten, die Erstellung von Topologien mit unterschiedlichen Knotendichten und das Einrichten von Verkehrsmustern mit NS-2.35. Für jedes Szenario werden Paketspuren gewonnen, um eine reproduzierbare Auswertung zu ermöglichen. Der Protokoll-Workflow bezieht sich auf die Kombination zweier Mechanismen: (1) hybride Aggregation, die Pakete in zeit- und zählbasierten Fenstern kombiniert und dabei Prioritätsetiketten beibehält, und (2) adaptive Planung, die Dual-Priority-Warteschlangen über gewichtete Round-Robin verarbeitet. Ein neuro-fuzzy-Controller bewertet stets Pufferbelegung, Linkqualität, Kanalauslastung, Restenergie und Verkehrspriorität. Mit diesen Eingaben reguliert es die Aggregationstiefe, Warteschlangengewichte und Übertragungsentscheidungen durch fuzzy Inferenz und neuroadaptives Lernen. Leistungsmessaufgaben umfassen die Berechnung des Paketabgabeverhältnisses, der End-to-End-Latenz, des Durchsatzes, des Energieverbrauchs auf Knotenebene und der Netzwerklebensdauer. Statistische Analysen werden über mehrere Durchläufe hinweg durchgeführt, um die Zuverlässigkeit der Ergebnisse zu überprüfen. Der Ansatz zeigt eine bessere Leistung in der Simulation im Vergleich zu den Basisschemata. Dieses Protokoll bietet einen reproduzierbaren Rahmen zur Erforschung hybrider Staukontrollmethoden, die einen energieeffizienten, skalierbaren und QoS-bewussten Betrieb in IoT-fähigen WSN-Umgebungen ermöglichen.

Einleitung

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

Das massive Wachstum des Internets der Dinge (IoT) hat den Einsatz von Milliarden miteinander vernetzter Geräte erforderlich gemacht, von denen drahtlose Sensornetzwerke (WSNs) in denmeisten Fällen zur Echtzeitüberwachung und Entscheidungsunterstützung genutzt werden. Diese Netzwerke werden zu den Kernstrukturen IoT-fähiger Systeme in radikal unterschiedlichen Bereichen wie Gesundheitsüberwachung3, Smart Cities4, Präzisionslandwirtschaft5, industrielle Automatisierung6 und Umweltsensorik7. WSNs bestehen aus Sensorknoten, die über begrenzte Ressourcen wie Bandbreite, Energie und Rechenleistung verfügen. Die Einschränkungen verschärfen das Problem, da der IoT-Verkehr ebenfalls sehr dynamisch und bursty ist, weshalb die genannten Netzwerke sehr anfällig für Überlastungensind.

Dieses Protokoll ist besonders relevant für mittel- bis großflächige IoT-Implementierungen (150–750 Knoten), die unter engen Energiebeschränkungen gemischten, periodischen und explosiven Datenverkehr erzeugen. Solche Situationen treten sehr häufig in Gesundheitsüberwachung, Smart-City-Sensorik und industriellen Automatisierungssystemen auf, wo es trotz der begrenzten Ressourcen von Knoten9 weiterhin notwendig ist, eine zuverlässige Lieferung und eine latenzarte Kommunikation sicherzustellen.

Eine Überlastung in WSNs kann die Netzleistungskapazität durch verschiedene Mittel erheblich beeinträchtigen, darunter Paketabbrüche, erhöhte Warteschlangenverzögerungen, verringerte Durchsatzrate und beschleunigte Energieverbrauch 8,10. In geschäftskritischen IoT-Szenarien, z. B. Telemedizin oder Katastrophenhilfe, kann durch Staus verursachte Verzögerung oder Paketverlust tödliche Folgen haben11,12. Aktuelle Methoden zur Staukontrolle haben drei Hauptkategorien: verkehrsbasierte Schemata (Quellratenbegrenzung, Rückdruckkontrolle)13,14, aggregationsbasierte Schemata (Datenkombination im Netzwerk) 15,16 und Planungsbasierte Verfahren (Prioritätswarteschlange, Kanalzuweisung)9,17. Daher erreichen diese Techniken ein gewisses Maß an Erfolg, haben aber auch Schwächen, wenn sie allein angewendet werden. Beispielsweise verschlechtern sich verkehrsbasierte Methoden oft durch die Reduzierung der Quellraten auf nicht-selektive Weise. Aggregationsbasierte Methoden beseitigen Redundanz, fügen jedoch Verzögerungen zu den zeitkritischen Flows hinzu. Obwohl planierungsbasierte Strategien das Maß an Fairness erhöhen können, können sie ohne andere hohe Verkehrsmengennicht effektiv funktionieren.

Im Vergleich zu Traffic-only-, Nur Aggregations- und Scheduling-only-Schemata bietet hybride neuro-fuzzy-Steuerung einen ausgewogeneren Kompromiss zwischen der Zuverlässigkeit der Paketlieferung, Latenz und Energieverbrauch. Durch gemeinsame Regulierung der Aggregationstiefe und der Planungspriorität basierend auf dem Echtzeit-Netzwerkzustand mindert der vorgeschlagene Ansatz die Überlastung effektiver unter schweren und heterogenen IoT-Workloads18.

Forschungsmotivation
IoT-fähige drahtlose Sensornetzwerke erzeugen heterogene und oft explosive Datenverkehr, was sie anfällig für Staus, Warteschlangenüberläufe und übermäßige Nachübertragungen macht. Bestehende verkehrsbasierte, nur aggregationsbasierte oder nur Planungssysteme schaffen es nicht, unter dynamischen Lastbedingungeneinen ausgewogenen Kompromiss zwischen Paketzustellung, Latenz und Energieverbrauch zu erreichen. Motiviert durch diese Einschränkungen führt diese Studie ein hybrides Staukontrollprotokoll ein, das adaptive Aggregation, QoS-bewusste Planung und neuro-fuzzy Entscheidungsfindung kombiniert, um zuverlässige, verzögerungsbewusste und energieeffiziente Leistung in dichten IoT-WSN-Umgebungen zu gewährleisten.

Jüngste Arbeiten haben das Potenzial hybrider Mechanismen hervorgehoben, die Aggregation und Terminplanung kombinieren, um Durchsatz, Latenz und Energieeffizienz auszubalancieren21,22. Adaptive Methoden mit Fuzzy Logic, Reinforcement Learning oder neuro-fuzzy Inferenz verbessern die Reaktionsfähigkeit auf dynamische Netzwerkzuständeweiter 23,24,25,26. Die meisten derzeitigen Methoden basieren jedoch auf statischen Schwellenwerten, erhöhen den Rechenaufwand, der für ressourcenbeschränkte Knoten nicht geeignet ist, und sind unter heterogenen IoT-Workloadsnicht robust 27,28. Daher ist die Nachfrage nach intelligenten Staukontrollmechanismen, die leicht, anpassungsfähig und in der Lage sind, auf Verkehrsänderungen zu reagieren und gleichzeitig die Lebensdauer des Netzwerks zu verlängern, weiterhin sehr hoch.

Verschiedene Studien wurden durchgeführt, um Zuverlässigkeit, QoS-Verbesserungen und sichere Datenverarbeitungsfunktionen in IoT-fähigen WSNs hervorzuheben. Energiebewusste Fehlererkennungs- und Wiederherstellungsverfahren29,30 haben sich als erhöht für Robustheit und End-to-End-Performance in sich verändernden Umgebungenerwiesen 31. Leichte Blockchain-Protokolle können genutzt werden, um die Datenkommunikation in IoT-WSN-Anwendungen weiter zu sichern. Die Implementierung hierarchischer regelbasierter Fehlererkennungsmethoden hilft zudem bei der Aufrechterhaltung von QoS bei der ressourcenbegrenzten Sensorbereitstellung. Diese Verbesserungen deuten auf die Nachfrage nach Staukontrolllösungen hin, die mit Zuverlässigkeit, Sicherheit und effizienter Ressourcennutzung in modernen IoT-Systemen integriert werden können.

Obwohl Staukontrolltechniken für WSNs umfangreich erforscht wurden, ist es meist so, dass bestehende Lösungen nur einschichtige Mechanismen berücksichtigen – einen der Verkehrsratenanpassung, Aggregation oder Terminplanung15. Das betreffende Protokoll verfügt jedoch über einen mehrschichtigen adaptiven Mechanismus, bei dem hybride Aggregation, prioritätsbewusste Planung und neuro-fuzzy Entscheidungsfindung gemeinsam miteinander interagieren und sich gegenseitig kontinuierlich aktualisieren. Im Gegensatz zu Standard-Fuzzy-only-Methoden verwendet das NFDE ANFIS-gesteuerte neuroadaptive Abstimmung, wodurch spontane Änderungen an den Mitgliedschaftsfunktionen und den Regelparametern je nach tatsächlichen Verkehrsmustern möglich sind. Das vorgeschlagene Protokoll unterscheidet sich erheblich von den anderen Modellen durch diese integrierte Kreuzschicht-Koordination in Verbindung mit einer leichten Berechnung, die für IoT-Hardware geeignet ist.

Vor diesem Artikel wurde eine Vielzahl von Forschungen zur Staubildung in WSNs durchgeführt, was zahlreiche Umfragen zeigen, die Hunderte von Algorithmen berichten, die Staus an der Verbindung, Pufferüberlauf oder mittleren Contention-Niveaus adressieren. Die meisten Lösungen wurden darauf ausgelegt, diese Probleme auf einer einzigen Protokollschicht anzugehen, während das Problem der mehrschichtigen adaptiven Staukontrollekaum behandelt wurde 9,21. Die vorliegende Forschung füllt diese Lücke, indem sie Schichtüberschreitung mit einem leichten neuro-fuzzy-Modul für IoT-Klasse Hardware kombiniert.

Angesichts dieser Probleme hat die Forschung einen intelligenten Staukontrollmechanismus vorgeschlagen, der hybride Aggregations- und Planungstechniken mit einer neuro-fuzzy Decision Engine für IoT-taugliche WSNs integrieren kann. Die Aggregationskomponente mindert redundante Übertragungen durch die Nutzung sowohl zeitbasierter als auch von Paketzählfenstern. Die Planungskomponente garantiert Fairness und QoS-Compliance mittels des gewichteten Round-Robins über die dualen Warteschlangen für kritische und nicht-kritische Flüsse. Die Neuro-Fuzzy-Engine verfolgt die wichtigsten Netzwerkzustandsvariablen und puffert gemeinsam Auslastung, Kanalnutzung, Restenergie, Linkqualität und Verkehrspriorität. Durch die Verwendung von Fuzzy-Inferenzregeln, die durch neuroadaptives Lernen verbessert werden, ändert der Regler die Aggregationstiefe, die Planungsgewichte und die Übertragungsraten. Ein solches geschlossenes System ermöglicht es dem Protokoll, in Echtzeit-Überlastungssituationen ausreichend flexibel zu sein.

Wir stellten die wichtigsten Forschungsfragen auf, die uns halfen, den Umfang und die Bedeutung der Studie zu definieren und sie klar präsentieren zu können. Die Forschungsfragen, die die Forschung leiteten, sind wie folgt:
RQ1: Wie können hybride Aggregation und Terminplanung die Überlastung in IoT-fähigen WSNs effektiver reduzieren als eigenständige Methoden?
RQ2: Welche Rolle spielt eine neuro-fuzzy-Entscheidungs-Engine bei der Anpassung an Netzwerkzustände unter unterschiedlichen Verkehrsbelastungen?
RQ3: Wie verbessert das vorgeschlagene Protokoll das Paketzustellungsverhältnis, die Latenz, den Durchsatz und die Energieeffizienz im Vergleich zu herkömmlichen Staukontrollsystemen?
RQ4: Kann das vorgeschlagene Protokoll die Netzwerklebensdauer verlängern und gleichzeitig QoS über verschiedene IoT-Anwendungen hinweg aufrechterhalten?

Die Beiträge dieser Studie sind vierfach. Das Hauptargument ist ein hybrides Aggregations- und Planungsframework mit neuro-fuzzy-Anpassung zur Staukontrolle in IoT-fähigen WSNs. Der zweite Punkt ist, dass ein reproduzierbares Simulations-Framework implementiert wird, um die Leistung unter unterschiedlichen Netzwerkgrößen und Verkehrsintensitäten zu testen. Drittens zeigt es die quantifizierbaren Fortschritte bei Paketzustellung, Latenz, Durchsatz, Energieeffizienz und Lebensdauer im Verhältnis zu den Basislinien. Letztlich bietet es Daten, Konfigurationsdateien und Analyseskripte für Offenheit und Reproduzierbarkeit an.

Die verschiedenen Methoden der Staukontrolle, darunter nur Fuzzy, Aggregation, Nur-Planung und DRL-basiert, haben ihre Einschränkungen, die die vorgeschlagene Arbeit durch mehrschichtige Adaptations-Hybrid-Aggregation, Dual-Queue-adaptive Scheduling und eine neuro-fuzzy-Entscheidungsengine adressiert, die alle in einem einzigen, leichtgewichtigen und hardwarefreundlichen Framework integriert sind. Im Gegensatz zu DRL-basierten Methoden, die rechenintensiv sind und lange Zeit benötigen, um zu konvergieren, kann die vorgeschlagene neuro-fuzzy-Schicht die Operationen fast in Echtzeit mit deutlich geringerer Energie und CPU-Auslastung durchführen; daher ist er ideal für IoT-Sensorknoten. Verschiedene Methoden zur Staukontrolle wurden in Tabelle 1 zusammen mit der vorgeschlagenen Methode verglichen.

Tabelle 1: Vergleich bestehender Ansätze zur Staukontrolle und der vorgeschlagenen Methode. Diese Tabelle listet die wichtigsten Merkmale, Vorteile und Einschränkungen verschiedener Kategorien von Staukontrollmethoden in drahtlosen Sensornetzwerken auf, wie reine Fuzzy-, Aggregations-, Nur-Planungs- und DRL-basierte Ansätze. Sie hebt die Einzigartigkeit der vorgeschlagenen Methode hervor, da sie hybride Aggregation, adaptive Prioritätsplanung und eine leichte neuro-fuzzy-Entscheidungs-Engine kombiniert, um eine mehrschichtige Anpassung mit geringen Rechenkosten zu ermöglichen. Der Vergleich zwischen ihnen zeigt, dass das eingeführte Protokoll in der Lage ist, eine bessere PDR, eine geringere Latenz, einen ausgeglichenen Durchsatz und eine höhere Energieeffizienz zu erzielen und dennoch mit ressourcenbegrenzten IoT-WSN-Geräten kompatibel zu sein. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Verwandte Arbeiten
Jüngste Forschungen zur Staukontrolle in IoT-fähigen Wireless Sensor Networks (WSNs) zeigen, dass Single-Layer-Techniken – reine Aggregation, Verkehrsdrosselung oder Planung – unter heterogenen und explosiven Verkehrsbelastungen, die zu Pufferüberlauf, Kollisionen und schwerer Energieverschwendung¹-⁵ führen, unzureichend sind. Hybride Aggregations-Scheduling-Schemata haben daher an Bedeutung gewonnen, um gleichzeitig redundante Übertragungen zu reduzieren und Konflikte zu regulieren, wenn die Knotendichten 6,7,8,10 skalieren. Schichtübergreifende Varianten integrieren Routing, Clustering und MAC-Level-Planung, um Konvergencast-Flüsse und gemischte QoS-Workloads zu stabilisieren 11,12,13, während Fuzzy- oder heuristische Trigger die Aggregationstiefe und Servicedisziplin basierend auf lokalen Stausignalen anpassen 14,15,16. Soft-Computing-Techniken verbessern die Reaktionsfähigkeit weiter: Fuzzy-Controller leiten Warteschlangenzustände aus Pufferbelegung, Linkqualität und Retransmissionen 9,17,21; Neuro-fuzzy-Systeme verbessern dies, indem sie Regelgewichte für multiobjektive Optimierung über Paketzuteilungsverhältnis (PDR), Latenz, Durchsatz und Energieverbrauchlernen 22,23,24. Unterdessen steuern Deep Reinforcement Learning (DRL/RL)-Ansätze Rate Control, Caching und Scheduling 25,26,27,28, und generative/optimierungsbasierte Frameworks formen unter Stress Cluster und Routen um, während sie das lokale Verkehrsverhalten²9 abstimmen²9. Über diese vielfältigen Ansätze hinweg übertreffen intelligente Hybride stets statische Methoden, indem sie Warteschlangenüberläufe verringern, Konkurrenzfenster stabilisieren, Verzögerungen verringern und den Durchsatz sowie die Energieeffizienz unter unterschiedlichen Verkehrsbedingungen verbessern 8,9,12,24,25,26,27,28,29,30 ,32,33,34.

Eine parallele Arbeitslinie konzentriert sich darauf, die Netzlebensdauer und QoS zu verbessern, indem die Staukontrollparameter an Energieniveaus, Verbindungsbedingungen und Anwendungsprioritäten angepasst werden. Studien zeigen, dass das Aggregieren korrelierter Pakete die Anzahl der Übertragungen reduziert, während adaptive Planung Konkurrenz, Leerlauf und Kollisionsstürme minimiert 14,17,18,27,30,32,33,34,35,36. Prioritätsbasierte Mechanismen schützen dringende Gesundheits- oder Industrieverkehr, während sie die nicht-kritische Telemetrie 18,32,33,35 steuern, und fuzzy/neuro-fuzzy Routing, Clustering und Rate Control ermöglichen weitere Oszillationen in Hochlastszenarien 33,18. Weitere Fortschritte wie KI-gesteuerte Optimierung für Routing37, Clustering38 und langfristige staubewusste Kartierung39 sowie intelligente Fehlererkennung40, blockchain-gestützte sichere Kommunikation31 und energiebewusste Wiederherstellung⁴1 unterstreichen den wachsenden Trend zu integrierten und kontextbewussten Staulösungen. Trotz dieser Fortschritte fehlt den meisten bestehenden Ansätzen weiterhin ein einheitliches, leichtes Echtzeit-Framework, das Aggregation, Terminplanung und intelligente Anpassung über verschiedene IoT-Workloads hinweg koordinieren kann. Diese Lücke motiviert die Entwicklung eines intelligenten hybriden Staukontrollsystems, das neuro-fuzzige Entscheidungsfindung für skalierbare, QoS-bewusste und energieeffiziente Leistung in modernen, IoT-fähigen WSN-Umgebungen nutzt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

1. Aufbau der Simulationsumgebung

  1. Installiere Ubuntu 22.04 LTS auf einer Workstation mit mindestens einem Intel i5-Prozessor, 8 GB RAM und 20 GB Speicher. Konfigurieren Sie den GNU C/C++-Compiler und die Tcl/Tk-Bibliotheken, um NS-2.35 zu kompilieren und auszuführen.
  2. Installiere Python 3.10 zusammen mit NumPy, SciPy, Pandas und Matplotlib zur Analyse und Grafik. Aktivieren Sie die NS-2-Energie- und Warteschlangenüberwachungsmodule, um Warteschlange-, Dequeue-, Drop-, Liefer- und Energieverbrauchsereignisse zu erfassen.
  3. Führe jedes Experiment fünfmal mit unabhängigen zufälligen Samen aus, um die Reproduzierbarkeit sicherzustellen.
  4. Strukturiere das Simulationsverzeichnis in Unterordner für Konfigurationen, Skripte, Ergebnisse und Analysen und führe Markdown-Protokolle, um Konfigurationen und Ergebnisse zu dokumentieren.
    HINWEIS: Alle TCL-Konfigurationsdateien, NFDE-Implementierungsskripte und Analysetools, die im Simulationsworkflow verwendet werden, sind in der Ergänzungsdatei 1 bereitgestellt.

2. Netzwerktopologie und Verkehrsgenerierung

  1. Erzeugen Sie drahtlose Sensornetzwerktopologien mit 150, 300, 450, 600 und 750 Knoten, die gleichmäßig auf einem 600 x 600 m² großen Einsatzgebiet verteilt sind.
  2. Initialisieren Sie jeden Knoten mit 25 J Energie, einer Übertragungsreichweite von 75 m und einer Bandbreite von 250 kbps, um IoT-Klasse-Geräte darzustellen.
  3. Platziere den Sink-Knoten entweder im Zentrum oder an der Netzwerkgrenze, um heterogene Routing-Pfade zu schaffen.
  4. Einführung von Verkehrsmodellen mit periodischen konstanten Bitratenflüssen von 1 Paket/s und ereignisgesteuerten Bursts mit 5–10 Paketen/s von 20–30 Sekunden.
  5. Kombinieren Sie Hintergrund- und hochprioritären Datenverkehr, um die Fähigkeit des Protokolls zu testen, Flows zu unterscheiden und zu priorisieren. Zusammengefasste Simulationsparameter sind in Tabelle 2 dargestellt.
  6. NS-2-Simulationskonfigurationsparameter
    1. Routing-Protokoll: Verwenden Sie Ad hoc On-Demand Distance Vector (AODV)-Routing für alle Simulationen. Stellen Sie folgende Schlüsselparameter ein: Hallo-Intervall: 1 s, Aktive Routen-Timeout: 3 s, TTL-Start/Max: 2 / 7 Sprünge.
      HINWEIS: AODV wird aufgrund seines leichtgewichtigen Kontrollpaket-Overheads und der Eignung für dynamische IoT/WSN-Topologien ausgewählt.
    2. MAC-Konfiguration: Verwenden Sie das MAC-Protokoll IEEE 802.11 DCF (Distributed Coordination Function). Stellen Sie folgende wichtige Parameter ein: Basisrate: 1 Mbit/s, Datenrate: 250 kbps (WSN-Klasse Datenrate), RTS/CTS: deaktiviert (folgt typischen WSN-Systemen mit niedriger Energie), CWmin = 31, CWmax = 1023, Slotzeit = 20 μs, SIFS = 10 μs, DIFS = 50 μs.
    3. Warteschlangenkonfiguration: Stellen Sie den Warteschlangentyp als PriQueue ein, um Dual-Priority-Planung zu unterstützen, die Wartelangenlänge (IFQ-Länge) beträgt 50 Pakete. Setze die Warteschlangenzuordnung als hochprioritären Datenverkehr auf Warteschlange 1 und normalen Verkehr auf Warteschlange 2. Setze das Warteschlangenverhalten auf DropTail, das für die Überlaufbehandlung verwendet wird.
    4. Propagationsmodell: Wählen Sie TwoRayGround für typische IoT/WSN-Außenumgebungen, in denen der Pfadverlust mit der Entfernung zunimmt. Stellen Sie Modellparameter als Antennenhöhe ein: 1,5 m, Systemverlustfaktor 1,0, minimale empfangene Leistungsschwelle: −95 dBm.
    5. Schnittstellen- und Antennenmodelle: Stellen Sie den drahtlosen Schnittstellentyp als Phy/WirelessPhy ein. Setzen Sie folgende Netzwerkschnittstellenkonfiguration: Schnittstellen-Warteschlangentyp: Warteschlange/DropTail/PriQueue, Netzwerkschnittstelle: CMUPriQueue für priorisierten Service. Stelle das Antennenmodell als Antenne/OmniAntenne ein, da es typische Sensormotes (MicaZ, TelosB usw.) widerspiegelt.
    6. IFQ-Länge und Paketgröße: Stellen Sie die Wartelänge der Schnittstelle (IFQLength) auf 50 Pakete ein, da dies eine Überlastung bei realistischen Verkehrsspitzen gewährleistet. Setzen Sie folgende Paketgrößenparameter: Standard-CBR-Paket: 512 Bytes, MAC-Header: ~36 Bytes, AODV-Kontrollpaket: ~32 Bytes. Stellen Sie die Fragmentierungsschwelle auf Keine (Fragmentierung deaktiviert).
    7. Kanaleinstellungen: Stellen Sie den Kanaltyp auf Channel/WirelessChannel ein, die Frequenz auf das 2,4 GHz ISM-Band (gemeinsame IoT-Frequenz), die Bandbreite auf 250 kbps und das Duplexen auf Halbduplex. Stellen Sie die Link-Layer-Parameter als Anfangsenergie: 25 J, Übertragungsleistung: 0,66 W, Empfangsleistung: 0,395 W, Leerlaufleistung: 0,035 W und Schlafleistung: 0,003 W. Stellen Sie den Rauschboden auf −100 dBm und den Trägersensorschwellenwert (CST) auf −94 dBm ein.

Tabelle 2: NS-2.35-Simulationsparameter zur Bewertung des vorgeschlagenen Staukontrollprotokolls. Diese Tabelle erfasst alle Simulationskonfigurationen in NS-2.35, wie die Größe des Deployment-Bereichs, Knotendichten, energiebezogene Parameter, MAC- und Routing-Konfigurationen, Warteschlangenstruktur, Ausbreitungsmodell, Paketgröße und Steuerschwellen. Die Parameter gewährleisten die vollständige Reproduzierbarkeit der experimentellen Umgebung für den Leistungsvergleich von hybriden, nur aggregationsbasierten, nur Planungs- und Baseline-Staukontrollschemata. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

3. Methodologische Architektur

  1. Entwickeln Sie das vorgeschlagene Protokoll durch Integration hybrider Aggregation, adaptiver Planung und einer neuro-fuzzy Decision Engine.
  2. Implementieren Sie hybride Aggregation, um Pakete innerhalb zeitbasierter oder paketbasierter Fenster zu kombinieren, während Prioritätstags für kritischen Datenverkehr erhalten bleiben.
  3. Verwenden Sie adaptive Scheduling, um zwei Warteschlangen zu verwalten – eine für kritische und eine für nicht-kritische Flows – und wenden Sie gewichtete Round-Robin-Planung mit dynamisch einstellbaren Warteschlangengewichten an.
  4. Nutzen Sie die neuro-fuzzy-Entscheidungs-Engine, um Pufferbelegung, Kanalauslastung, Restenergie, Linkqualität und Verkehrspriorität zu überwachen.
  5. Diese Eingaben in unscharfe Mitgliedschaftsfunktionen abbilden, Inferenzregeln zur Optimierung der Aggregationstiefe und Planungsgewichte anwenden und Systementscheidungen durch neuroadaptives Lernen feinjustieren.
    1. NFDE-Modellstruktur: Implementierung der Neuro-Fuzzy Decision Engine (NFDE) als erstklassiges Sugeno Adaptives Neuro-Fuzzy Inference System (ANFIS) mit fünf Eingangsvariablen und drei Ausgangskontrollparametern. Das System verwendet eine fünfschichtige Architektur
      Schicht 1 – Eingangsfuzzifikation: Wandelt scharfe Sensorwerte in Mitgliedschaftsgrade um.
      Schicht 2 – Regel-Feuerfestigkeit: Berechnet die Brennfestigkeit von Regeln mittels Produktinferenz.
      Schicht 3 – Normalisierung: Normalisiert die Feuerfestigkeit.
      Schicht 4 – Lineare Ausgabeterme: Erzeugt gewichtete lineare Ausgaben.
      Schicht 5 – Ausgabeaggregation: Kombiniert Ergebnisse, um Aggregationstiefe, Planungsgewicht und Anpassungen der Übertragungsrate zu erhalten.
      Jede Regel hat die Form: Wenn (B ist X1) und (C ist X2) und (E ist X3) und (LQI ist X4) und (P ist X5) → f = p1· B + p2· C + p3· E + p4· LQI + p5· P + p0.
      Das Modell enthält je nach Komplexitätsbeschränkungen 15–25 Regeln.
    2. Ein- und Ausgabevariablen
      1. Setze 5 Eingabevariablen, nämlich b uffer Auslastung (B) – Verhältnis der aktuellen Warteschlangenlänge zur IFQ-Länge (0-1), c hannel-Auslastung (C) – MAC-Beschäftigungsanteil (0-1), r eziduale Energie (E) – verbleibende Energiefraktion (0-1), l Tintenqualitätsanzeiger (LQI) – normalisierte Erfolgswahrscheinlichkeit der Verbindung (0-1) und t raffische Priorität (P) mit 1,0 als kritisch und 0,0 als nicht-kritisch.
      2. Setze 3 Ausgabevariablen, nämlich Aggregationstiefe (A*) – Empfohlene Anzahl der zu aggregierenden Pakete (Bereich 1–6), s Cheduling-Gewicht (W*) – Gewicht zugewiesen an hochprioritäre Warteschlange (0,3–0,8), r-ate-Anpassung (R*) – Übertragungsrate-Skalierung (−20 % bis +10 %).
    3. Alle Eingänge verwenden dreieckige oder trapezförmige Mitgliedschaftsfunktionen, die im Bereich 0 bis 1 definiert sind. Setzen Sie die m Embership-Funktionen wie folgt mit numerischen Bereichen.
      Pufferbelegung (B) – Niedrig: trapmf(0,0, 0,0, 0,20, 0,40), Mittel: trimf(0,30, 0,50, 0,70), Hoch: trapmf(0,60, 0,80, 1,0, 1,0)
      Kanalauslastung (C) – Niedrig: Trimmf(0,0, 0,15, 0,30), Mittel: Trimmf(0,25, 0,50, 0,75), Hoch: Trimmf(0,70, 0,85, 1,0)
      Restenergie (E) – Hoch: trapmf(0,70, 0,80, 1,0, 1,0), Mittel: trimf(0,40, 0,55, 0,70), Niedrig: trapmf(0,0, 0,0, 0,30, 0,50)
      Link-Qualitätsindikator (LQI) – Gut: trapmf(0,70, 0,80, 1,0, 1,0), Mittel: trimf(0,40, 0,55, 0,70), Schlecht: trapmf(0,0, 0,0, 0,30, 0,45)
      Verkehrsvorrang (P) – Nicht kritisch: trimf(0,0, 0,0, 0,1), kritisch: trimf(0,9, 1,0, 1,0)
      Ausgabe-Mitgliedschaftsfunktionen – Da Sugeno ANFIS klare lineare Ausgänge verwendet:
      A* (Aggregationstiefe) = a1·Eingaben + a0, geschnitten auf [1,6], W* (Prioritätsgewicht) = w1·Eingaben + w0, geschnitten auf [0,3,0,8], R* (Ratenfaktor) = r1·Eingaben + r0, geschnitten auf [−0,20, +0,10]
    4. Regelbasisformulierung: Eine vollständige Regelbasis umfasst typischerweise 15–25 Regeln, abhängig von den Rechengrenzen. Setzen Sie eine typische Regelteilmenge wie folgt
      Wenn B = hoch UND C = hoch → reduzieren Sie A*, erhöhen Sie W*, reduzieren Sie R*
      Wenn B = mittel UND E = hoch UND P = kritisch → mittlere A*, erhöhen Sie W*
      Wenn LQI = schlecht → erhöhen Sie A* (um Retransmissionen zu reduzieren)
      Wenn E = niedrig → R* reduzieren, dann A* reduzieren (Energieeinsparung)
      Wenn C = niedrig UND P = kritisch ist, setze → W* hoch
      Wenn B = hoch UND LQI = gut , → reduzieren Sie A*, erhöhen Sie R*
      HINWEIS: Besonderheit des neuro-fuzzy Regelsystems. Das Fuzzy-Regelsystem unterscheidet sich von herkömmlichen Staukontrollsystemen in zwei Punkten:
      Multi-Input-Kopplung: Es berücksichtigt gemeinsam Warteschlangenbelegung, Kanalauslastung, Aggregationstiefe und Paketprioritätsmetriken, die in bestehenden Fuzzy-WSN-Controllern selten kombiniert werden.
      Neuroadaptive Regelabstimmung: Anfangsregeln sind von Experten definiert, werden aber anschließend durch ANFIS-Lernen optimiert, wobei Regelstärken und Ausgangsparameter aktualisiert werden, um realen Netzwerkbedingungen zu entsprechen. Verwendete repräsentative Regeln sind:
      Wenn die Warteschlangenbelegung hoch ist UND die Kanalauslastung hoch ist, DANN reduzieren Sie die Übertragungsrate und erhöhen Sie die Aggregationstiefe.
      WENN die Warteschlangenbelegung mittlere UND die Priorität hoch ist, DANN erhöhen Sie das Planungsgewicht.
      WENN die Restenergie niedrig ist, DANN begrenzen Sie die Rückübertragungen und reduzieren Sie den Warteschlangendruck.
      Diese dynamischen Regelanpassungen ermöglichen eine reaktionsschnellere Stauminderung im Vergleich zu statischen Fuzzy-Systemen.
    5. Definiere und justiere Mitgliedschaftsfunktionen und -regeln. Zuerst sollten die Fuzzy-Mitgliedschaftsfunktionen auf den empirischen Bereichen der NS-2-simulierten Trends eingerichtet werden, die als Vorstudie durchgeführt wurden. Diese Trends umfassen Puffernutzung, Kanalnutzung, Restenergie und LQI-Verteilung. Anschließend werden diese Mitgliedschaftsfunktionen durch das ANFIS-Trainingsverfahren angepasst, bei dem der Gradientenabstieg verwendet wird, um sowohl die MF-Grenzen als auch die Sugeno-Ausgabeparameter zu optimieren. Erstellen Sie die anfängliche Fuzzy-Regelbasis aus den von Experten abgeleiteten Heuristiken. Danach trainieren Sie das neuroadaptive System, bis die Regelgewichte und Parameter aufgrund repräsentativer Verkehrsmuster aktualisiert werden, sodass sie angepasst werden können.
    6. Bewerten Sie den Rechenaufwand des NFDE, um festzustellen, ob er gut für IoT-Sensorknoten geeignet ist. Behalten Sie die Inferenzzeit im Auge, die üblicherweise etwa 1,2–1,8 ms bei einem Cortex-M4-Mikrocontroller mit 72 MHz liegt. Stellen Sie sicher, dass der Speicherverbrauch für alle Mitgliedschaftsfunktionen und Regelparameter 40 KB nicht überschreitet. Führe alle ANFIS-Schulungen offline durch und nicht an Sensorknoten. Um die Echtzeitanpassungsfähigkeit bei sehr geringer Rechenlast zu gewährleisten, sollte während der Bereitstellung nur der leichte Inferenzteil verwendet werden.
    7. Trainingsverfahren: NFDE offline mit dem hybriden ANFIS-Algorithmus trainieren
      Vorwärtspass (Kleinste Quadrat-Schätzung): Bestimmt lineare Parameter der Sugeno-Regeln.
      Rückwärtspass (Gradient Descent): Aktualisiert nichtlineare MF-Parameter.
      1. Setze Trainingsparameter als Trainingsdatensatzgröße: 15.000 Proben, generiert aus simulierten Verkehrszuständen, Epochen: 50, Lernrate (α): 0,01, Fehlertoleranz: 1 x 10 ⁻⁴, Frühes Stoppen: 3 aufeinanderfolgende Epochen ohne Verbesserung, Optimierungsziel: RMSE zwischen NFDE-Ausgabe und Ground-Truth-Kontrollprofilen minimieren.
  6. Die Überlastung wird sowohl durch Indikatoren auf Zustand als auch auf Unterzustandsniveau angezeigt. Unterscheiden Sie Knopfüberlastungen auf Knotenebene, indem Sie die Warteschlangenbelegung, die Warteschlangenwachstumsrate und Paketabbrüche untersuchen, wenn das IFQ sich seiner Kapazitätsgrenze nähert. Schließen Sie eine Kanalüberlastung durch anhaltende Erhöhungen der MAC-Beschäftigungszeit, lange Backoff-Intervalle und steigende Kollisionswahrscheinlichkeit ab. Diese Signale werden ständig an die Neuro-Fuzzy Decision Engine weitergegeben, die den Schweregrad der Verstopfung bestimmt und autonome Kontrollmaßnahmen erlässt.
  7. Nach der Stauerkennung erweitert die NFDE die Aggregation, um Paketübertragungen zu verringern, die Planungsgewichte für Verkehrskritikalität neu zu konfigurieren und die Übertragungsrate zu senken, um die Warteschlange zu normalisieren. Halte den Erkennungsmechanismus von der Anwendungsschicht getrennt, sodass die Überlastungsbewältigung auch dann erhalten bleibt, wenn der Verkehr einen anderen Typ hat.
  8. Aktualisiere die Parameter alle 1-2 Sekunden, um nahezu in Echtzeit zu reagieren. Verwenden Sie Tabelle 3, um die Parameter der Mitgliedschaftsfunktionen, Ausgabebereiche und repräsentativen Fuzzy-Regeln zu referenzieren, die in der Neuro-Fuzzy Decision Engine angewendet werden. Konsultieren Sie die angegebenen numerischen MF-Werte, Sugeno-Ausgabegrenzen und Beispielentscheidungsregeln, um das Inferenz- und Anpassungsverhalten des Controllers genau wiederzugeben.
  9. Führen Sie die Analyse in vier Hauptphasen durch:
    Einrichtung: NS-2.35, Python-Analysetools vorbereiten und Netzwerktopologien sowie Verkehrsmuster generieren.
    Parameter-Tuning: Konfigurieren Sie die Aggregationstiefe, Planungsgewichte, Interface-Warteschlangenparameter sowie NFDE-Mitgliedschaftsfunktionen und Lerneinstellungen.
    Simulationsausführung: Führen Sie alle Szenarien über mehrere Knotendichten und Verkehrslasten durch, sammeln Sie vollständige NS-2-Trace-Dateien und protokollieren Sie Schlüsselereignisse einschließlich Einstellen, Dequeue, Absetzen, Lieferung und Energiezuständen.
    Analyse: Extrahiere PDR, Latenz, Durchsatz, Energie und Lebensdauer mit Python-Skripten und berechne statistische Signifikanz über die Basislinien hinweg.
    HINWEIS: Dieser Workflow bietet eine klare, reproduzierbare Abfolge von der Konfiguration bis zur Analyse und ist in Abbildung 1 dargestellt.

Tabelle 3: Fuzzy-Mitgliedschaftsfunktionen, Ausgabebereiche und repräsentative Regeln, die in der neuro-fuzzy-Entscheidungsengine verwendet werden. Die fünf Eingabevariablen besitzen alle dreieckige und trapezförmige Zugehörigkeitsfunktionen, und die Tabelle gibt die exakten numerischen Parameter für sie an. Die Tabelle zeigt außerdem die Einsatzreichweiten für Sugeno-Typ-Ausgaben. Repräsentative Fuzzy-Regeln zeigen, wie das System Netzwerkbedingungen interpretiert, um die Aggregationstiefe, Warteschlangengewichtungen und die Übertragungsratenskalierung anzupassen. Zu den Reproduzierbarkeitsparametern zählen MF-Zählen, Regelsatzgröße, Lernrate und Aktualisierungsintervall, die dazu dienen, eine direkte Replikation des NFDE zu ermöglichen. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Abbildung 1
Abbildung 1: Architektur des intelligenten Staukontrollprotokolls für IoT-fähige drahtlose Sensornetzwerke. Der umfassende integrierte Arbeitsablauf der hybriden Staukontrollrichtlinie ist in diesem Diagramm dargestellt. Die Netzwerkzustandsmessungen – Pufferbelegung, Kanalnutzung, Restenergie, Linkqualität und Verkehrspriorität – werden in die Mitgliedschaftsfunktionsschicht und die Neuro-Fuzzy Decision Engine eingespeist, die dann adaptive Steuerungsvariablen wie Aggregationstiefe, Planungsgewicht und Übertragungsrateanpassung erzeugt. Diese Variablen steuern das Hybrid Aggregation Module und das Adaptive Scheduling Module und ermöglichen so gemeinsam optimierte Verkehrsmetriken mit höherem Paketzustellungsverhältnis, geringerer Latenz, geringerem Energieverbrauch und verlängerter Netzwerklebensdauer. Abkürzungen: NF = Neuro-Fuzzy, PDR = Paketzustellungsquote, WRR = Gewichtete Rundenrunde, WSN = Drahtloses Sensornetzwerk, IoT = Internet der Dinge, AQM = Aktives Warteschlangenmanagement (falls zutreffend), RSSI = Indikator für empfangene Signalstärke (falls zutreffend). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

4. Datensatzdetails

HINWEIS: Der in dieser Studie verwendete Simulationsdatensatz wurde intern in der NS-2.35-Umgebung erstellt und wird aufgrund von Dateigrößenbeschränkungen nicht in einem öffentlichen Repository abgelegt. Alle Konfigurationsdateien, TCL-Skripte, NFDE-Code und Python-Analyseskripte, die zur Reproduktion des Datensatzes erforderlich sind, sind jedoch öffentlich im folgenden GitHub-Repository verfügbar: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. Forscher können den vollständigen Datensatz regenerieren, indem sie die bereitgestellten Konfigurationsdateien und Skripte ausführen. Zusätzliche Datendateien können auf angemessene Anfrage von den Autoren bereitgestellt werden.

  1. Bereiten Sie den Datensatz vor, indem Sie Konfigurationsdateien, zufällige Seed-Listen, rohe NS-2-Trace-Dateien, verarbeitete CSV-Ergebnisse und Python-Skripte für Trace-Parsing und -Visualisierung generieren.
  2. Klarstellung der Datensatzquellen:
    1. Generiere den gesamten Datensatz mit der NS-2.35-Simulationsplattform, anstatt ihn aus externen oder öffentlichen Repositorien zu beziehen.
    2. Konfigurieren Sie NS-2.35 so, dass für jede Simulation rohe Trace-Dateien ausgegeben werden, einschließlich Enqueue-, Dequeue-, Drop-, Delivery-, MAC-Events und Node-Level Energielogs.
    3. Erstellen Sie alle Topologien, Verkehrsmuster und Parametereinstellungen programmatisch als Teil des Simulations-Workflows. Stellen Sie sicher, dass jedes Szenario etwa 20 MB Roh-Trace-Daten erzeugt, und speichern Sie alle experimentellen Ausgaben im Projektverzeichnis.
    4. Verarbeiten Sie diese Trace-Dateien mit Python-Skripten, um Paketzustellungsverhältnisse, Latenz, Durchsatz, Energieverbrauch und Netzwerklebensdauer zu extrahieren.
    5. In dieser Studie werden keine Datensätze von Dritten oder externen Personen verwendet.
  3. Decke 75 Szenarien über Knotendichten, Verkehrsintensitäten und zufällige Seeds ab.
  4. Erwarten Sie pro Szenario etwa 20 MB Roh-Trace-Daten und 1–2 MB verarbeitete Ergebnisse, was eine Gesamtgröße von etwa 2 GB ergibt.

5. Simulationsausführung

  1. Führe jede Simulation 900 Sekunden lang aus. Vergleichen Sie das vorgeschlagene Protokoll mit drei Alternativen: einem reinen Aggregationsschema, einem reinen Planungsschema und dem PCCP-Baseline.
  2. Verwenden Sie identische Netzwerktopologien und zufällige Seeds über alle Protokolle hinweg, um Vergleichbarkeit sicherzustellen. Sammeln Sie Trace-Dateien von jedem Durchlauf und organisieren Sie sie im Ergebnisverzeichnis nach Knotendichte, Verkehrslast und Protokolltyp.

6. Datenanalyse

  1. Parse Trace-Dateien mit Python-Skripten, um das Paketzustellungsverhältnis, End-to-End-Latenz, Durchsatz, Energieverbrauch pro Knoten und Netzwerklebensdauer (Zeit bis zum Tod des ersten Knotens und 50 % Knotentod) zu berechnen.
  2. Durchschnittsergebnisse über fünf Durchläufe hinweg und geben Sie sie als Mittelwert ± 95%-Konfidenzintervall an.
  3. Wenden Sie gepaarte t-Tests für normalverteilte Daten und Wilcoxon-Signed-Rank-Tests ansonsten an und berücksichtigen Sie Unterschiede signifikant bei p < 0,05.

7. Operative Leitlinien für die Softwarenutzung

  1. NS-2-Ausführung und Tcl-Skriptaufruf
    1. Verwenden Sie NS-2.35, um Simulationsszenarien mit der bereitgestellten Tcl-Datei (hybrid_protocol.tcl) auszuführen.
      Führe ein einzelnes Szenario aus:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      Flags: -nn (Knoten), -seed (Seed), -traffic (cbr|bursty), -out (Trace-Datei).
      Batch-Ausführung: ./configs/run_experiment.sh
  2. Python-Skripte für Spurparsing und Metrikextraktion
    1. Parse eine Spur
      Python-Analyse/parse_ns2.py Traces/out_300_seed3.tr --o Results/metrics_300_3.csv
    2. Aggregierte Metriken
      Python-Analyse/compute_metrics.py Ergebnisse --Zusammenfassungsergebnisse/summary_all.csv
    3. Diagramme erstellen
      Python-Analyse/plot_metrics.py Ergebnisse/summary_all.csv --Ausgabefiguren/
  3. NFDE-Ausbildung und Schlussfolgerung
    1. Erzeugen Sie Trainingsdaten
      Python NFDE/anfis_train.py --generiere 15000 --out nfde/training_data.csv
    2. Train NFDE
      python nfde/anfis_train.py --train nfde/training_data.csv --epochs 50 --lr 0.01 --out nfde/nfde_model.pkl
    3. Führe die NFDE-Inferenz aus
      python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. Erwartete Ergebnisse

  1. Nachweise eine überlegene Leistung des vorgeschlagenen Protokolls gegenüber Baseline-Schemata 6,7,13,14,17,24. Halten Sie auch bei starker Überlastung hohe Paketzustellquoten, reduzieren Sie die End-to-End-Latenz durch adaptive Planung und halten Sie einen höheren Durchsatz durch Steuerung redundanter Übertragungen.
  2. Zeigt verbesserte Energieeffizienz und längere Netzlebensdauer durch reduzierte Retransmissionen und ausgewogene Lastverteilung.
  3. Heben Sie die Eignung dieses Protokolls für IoT-fähige WSNs im Gesundheitswesen, im industriellen IoT- und Smart-City-Anwendungen hervor, wo eine zeitnahe und zuverlässige Datenbereitstellung entscheidend ist.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

Das PRAM-Schema war in einer drahtlosen Sensornetzwerkumgebung mit Single-Hop-Kommunikation und begrenzter Puffergröße machbar. Die Experimente wurden mit unterschiedlichen Verkehrsraten durchgeführt, und die Leistung des Schemas wurde mit dem traditionellen Aloha und einer Variante des baumbasierten Aloha (T-Aloha) hinsichtlich Durchsatz, durchschnittlicher Zugriffsverzögerung und durchschnittlicher Anzahl nicht-leerer Puffer verglichen. Die Ergebnisse zeigten eindeutig, dass das vorgeschlagene System in allen oben gena...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

Die Ergebnisse zeigen, dass die Staukontrolle in IoT-fähigen drahtlosen Sensornetzwerken durch die Integration von hybrider Aggregation, adaptiver Planung und neuro-fuzzy-Anpassung signifikant verbessert wurde. Tatsächlich wurde festgestellt, dass das neue Protokoll in Bezug auf Paketzustellung, Latenz, Durchsatz, Energieeffizienz und Netzwerklebensdauer über verschiedene Knotendichten und Verkehrsbedingungen hinweg bessere Leistung erzielt als die Aggregations-, Nur-Planungs- und PCCP-B...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

Die Autoren geben an, dass sie keine konkurrierenden finanziellen Interessen oder persönlichen Beziehungen haben, die die in diesem Manuskript berichtete Arbeit hätten beeinflussen können.

Danksagungen

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

Die Autoren danken dankbar für die Unterstützung der Vishwakarma University in Pune für Forschungseinrichtungen und administrative Unterstützung während der Entwicklung dieser Arbeit. Die Autoren danken außerdem dem Department of Computer Engineering für die Bereitstellung der rechnerischen Infrastruktur für Simulation und Analyse. Diese Forschung erhielt keinen spezifischen Zuschuss von einer Förderagentur im öffentlichen, kommerziellen oder gemeinnützigen Sektor. Große Sprachmodellwerkzeuge wurden ausschließlich zur Sprachpolierung und Formatierung verwendet. Alle wissenschaftlichen Inhalte, Methoden und Analysen wurden vollständig von den Autoren entwickelt. Der durch KI-Unterstützung generierte Text wurde überprüft und auf Genauigkeit validiert.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Aqua-Sim Modul (optional)NS2-Erweiterungs-Repository–Verwendet, wenn WSN-Szenarien unter Wasser getestet werden
Desktop/Laptop (Intel i5/AMD Ryzen 5, ≥ 8 GB RAM, ≥ 20 GB Speicher)Kommerziell erhältlich–Wurde verwendet, um alle Simulationen auszuführen.
GNU C/C++-Compiler, Tcl/TkUbuntu-Repository–Erforderlich für die Kompilierung von NS-2
MATLAB R2022a (optional)MathWorkshttps://www.mathworks.comVerwendet für ANFIS/Fuzzy-Modellierung, wenn bevorzugt
NS-2.35 NetzwerksimulatorISI/NS2-Projekthttps://www.isi.edu/nsnam/ns/Kernsimulationsumgebung
Verarbeitete Ergebnisse (.csv)Erstellt in dieser Studie-Berechnete Metriken: PDR, Verzögerung, Durchsatz, Energie, Lebensdauer
Python 3.10 (NumPy, SciPy, Pandas, Matplotlib)Python Software Foundationhttps://www.python.orgVerwendet für Analyse und Plotting
Python-AnalyseskripteErstellt in dieser Studie-Skripte zum Parsen von Spuren und zur Erstellung von Plots
Rohe NS-2-Trace-Dateien (.tr)Erstellt in dieser Studie-Paket-Level-Übertragungs- und Energieereignisse enthalten
Simulationskonfigurationsdateien (Topologie, Verkehrsmodelle, zufällige Seeds)Erstellt in dieser Studie-Erforderlich für die Replikation von Experimenten
Ubuntu Linux 22.04 LTSCanonical Ltd.https://ubuntu.comBetriebssystem für NS-2

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

IoT Netzwerkeadaptives SchedulingNeuro Fuzzy ControllerPaketzustellungsrateEnd to End LatenzEnergieverbrauchNetzlebensdauer
Video demnächst verfügbar

Verwandte Artikel