Artículo de método

Mecanismo inteligente de control de congestión para redes inalámbricas de sensores habilitadas con IoT utilizando la técnica híbrida de agregación y programación

DOI:

10.3791/69909

⸱

13 de enero de 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

En este artículo

Resumen

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

Este protocolo introduce un método inteligente de control de congestión para WSN habilitado con IoT utilizando una técnica híbrida de agregación y planificación complementada por una capa de decisión neuro-difusa. El sistema propuesto mejora la entrega de paquetes, el retraso, el rendimiento y la eficiencia energética, aumentando así la vida útil de la red y asegurando QoS en el caso de cargas de trabajo variables en IoT.

Resumen

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

La congestión en redes inalámbricas de sensores (WSN) habilitadas para IoT degrada la entrega de paquetes, la latencia y el consumo de energía, perjudicando la red, especialmente bajo condiciones de tráfico irregular y heterogéneas. Este protocolo ilustra una técnica inteligente de control de congestión que combina agregación híbrida de datos, planificación adaptativa y un motor de decisión neuro-difuso para gestionar eficientemente la carga de red. El método consiste primero en generar datos de simulación, crear topologías de diferentes densidades de nodos y establecer patrones de tráfico usando NS-2.35. Se obtienen trazas de paquetes para cada escenario para permitir una evaluación reproducible. El flujo de trabajo de protocolo se refiere a la combinación de dos mecanismos: (1) agregación híbrida, que combina paquetes en ventanas basadas en tiempo y recuento manteniendo las etiquetas de prioridad, y (2) planificación adaptativa, que gestiona colas de prioridad dual mediante round robin ponderado. Un controlador neuro-difuso siempre evalúa la ocupación del búfer, la calidad del enlace, la utilización del canal, la energía residual y la prioridad del tráfico. Al tomar estas entradas, regula la profundidad de agregación, los pesos de la cola y las decisiones de transmisión mediante inferencia difusa y aprendizaje neuroadaptativo. Las tareas de medición del rendimiento abarcan el cálculo de la relación de entrega de paquetes, la latencia de extremo a extremo, el rendimiento, el consumo energético a nivel de nodo y la vida útil de la red. Los análisis estadísticos se realizan a lo largo de varias pruebas para comprobar la fiabilidad de los resultados. El enfoque revela un mejor rendimiento en la simulación en comparación con los esquemas base. Este protocolo ofrece un marco reproducible para explorar métodos híbridos de control de congestión que permiten una operación eficiente energéticamente, escalable y consciente de la QoS en entornos WSN habilitados para IoT.

Introducción

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

El enorme crecimiento del Internet de las Cosas (IoT) ha hecho necesario desplegar miles de millones de dispositivos interconectados, de los cuales se utilizan redes inalámbricas de sensores (WSN) para proporcionar monitorización en tiempo real y soporte a la toma de decisiones, en la mayoría de loscasos 1,2. Estas redes se convierten en las estructuras centrales de sistemas habilitados para IoT en campos radicalmente diferentes, como la monitorización sanitaria3, ciudadesinteligentes 4, agriculturade precisión 5, automatizaciónindustrial 6 y detecciónambiental 7. Los WSN están formados por nodos sensores que tienen recursos limitados como ancho de banda, energía y potencia computacional. Las limitaciones agravan el problema, ya que el tráfico IoT también es muy dinámico y con ráfagas rápidas, por lo que las redes mencionadas son muy susceptibles a lacongestión.

Este protocolo es especialmente relevante para despliegues de IoT a mediana y grande (150-750 nodos) que generan tráfico mixto, periódico y de ráfagas bajo estrictas limitaciones energéticas. Este tipo de situaciones se encuentran muy a menudo en monitorización sanitaria, sensores de ciudades inteligentes y sistemas de automatización industrial, donde sigue siendo necesario garantizar una entrega fiable y una comunicación de baja latencia a pesar de los recursos limitados de losnodos 9.

La congestión en los WSN puede afectar seriamente la capacidad de rendimiento de la red por diversos medios, que incluyen caídas de paquetes, mayores retrasos en las colas, menor rendimiento y agotamiento acelerado de energía 8,10. En escenarios críticos de IoT, por ejemplo, telemedicina o ayuda en desastres, el retraso causado por la congestión o la pérdida de paquetes pueden tener consecuenciasfatales 11,12. Los métodos actuales de control de congestión tienen tres categorías principales: esquemas basados en tráfico (limitación de tasa de fuente, control de contrapresión)13,14, esquemas basados en agregación (combinación de datos en red)15,16, y esquemas basados en planificación (cola prioritaria, asignación de canales)9,17. Así, estas técnicas alcanzan cierto nivel de éxito, pero también presentan carencias cuando se usan solas. Por ejemplo, los métodos basados en tráfico suelen ser culpables de empeorar el rendimiento de las aplicaciones debido a la reducción de las tasas de código fuente de forma no selectiva. Los métodos basados en agregación eliminan la redundancia pero añaden retraso a los flujos críticos en tiempo. Aunque las estrategias basadas en planificación pueden aumentar el nivel de equidad, no pueden funcionar eficazmente sin la presencia de otras cargas de tráficoelevadas 6.

En comparación con los esquemas solo de tráfico, solo agregación y solo planificación, el control neuro-difuso híbrido ofrece un equilibrio más equilibrado entre la fiabilidad de la entrega de paquetes, la latencia y el consumo energético. Al regular conjuntamente la profundidad de agregación y la prioridad de programación basándose en el estado de la red en tiempo real, el enfoque propuesto mitiga la congestión de forma más eficaz bajo cargas de trabajo IoT pesadas yheterogéneas 18.

Motivación para la investigación
Las redes inalámbricas de sensores habilitadas para IoT generan tráfico heterogéneo y a menudo con ráfagas, lo que las hace vulnerables a la congestión, el desbordamiento de colas y las retransmisiones excesivas. Los esquemas existentes basados en tráfico, solo agregación o solo programación no logran un equilibrio equilibrado entre la entrega de paquetes, la latencia y el consumo energético bajo condiciones de cargadinámica 19,20. Motivado por estas limitaciones, este estudio introduce un protocolo híbrido de congestión y control que combina agregación adaptativa, programación consciente de QoS y toma de decisiones neuro-difusa para ofrecer un rendimiento fiable, consciente de los retardos y eficiente energéticamente en entornos densos de IoT-WSN.

Trabajos recientes han puesto de manifiesto el potencial de mecanismos híbridos que combinan agregación y programación para equilibrar el rendimiento, la latencia y la eficiencia energética21,22. Los métodos adaptativos que utilizan lógica difusa, aprendizaje por refuerzo o inferencia neuro-difusa mejoran aún más la capacidad de respuesta a estados dinámicos de la red 23,24,25,26. Sin embargo, la mayoría de los métodos actuales dependen de umbrales estáticos, escalan la sobrecarga computacional que no es adecuada para nodos con recursos limitados y no son robustos bajo cargas de trabajo heterogéneas de IoT27,28. Por lo tanto, la demanda de mecanismos inteligentes de control de congestión que sean ligeros, adaptativos y capaces de reaccionar a cambios de tráfico y alargar la vida útil de la red sigue siendo muy alta.

Se han realizado varios estudios para destacar fiabilidad, mejora de la calidad de calidad y funciones de manejo seguro de datos en WSNs habilitadas para IoT. Se ha encontrado que los esquemas de detección y recuperación de fallos conscientes dela energía 29,30 aumentan la robustez y el rendimiento de extremo a extremo en entornoscambiantes 31. Se pueden utilizar protocolos de blockchain ligeros para asegurar aún más la comunicación de datos en aplicaciones IoT-WSN. La implementación de métodos jerárquicos de detección de fallos basados en reglas también ayuda a mantener la QoS en el despliegue de sensores con recursos limitados. Estas mejoras apuntan a la demanda de soluciones de control de congestión que puedan integrarse con fiabilidad, seguridad y uso eficiente de los recursos en los sistemas IoT modernos.

Aunque las técnicas de control de congestión para WSN han sido ampliamente investigadas, en su mayoría las soluciones existentes consideran únicamente mecanismos de una sola capa: uno de ajuste de tasas de tráfico, agregación o programación15. Sin embargo, el protocolo en cuestión cuenta con un mecanismo adaptativo multicapa en el que la agregación híbrida, la planificación consciente de prioridad y la toma de decisiones neuro-difusa interactúan y se actualizan mutuamente de forma continua. A diferencia de los métodos estándar solo fuzzy, el NFDE emplea un ajuste neuroadaptativo guiado por ANFIS, permitiendo así cambios en tiempo real en las funciones de pertenencia y los parámetros de las reglas según los patrones reales de tráfico. El protocolo propuesto es significativamente diferente de los otros modelos gracias a esta coordinación integrada entre capas junto con un cómputo ligero adecuado para hardware IoT.

Antes de este artículo, se ha realizado una gran cantidad de investigaciones sobre la congestión en los WSNs, lo cual demuestra numerosas encuestas que reportan cientos de algoritmos que abordan la congestión en el enlace, el desbordamiento de búfer o niveles medios de contención. La mayoría de las soluciones han sido diseñadas para abordar estos problemas en una única capa de protocolo, mientras que el problema del control adaptativo de congestión multicapa apenas se haabordado 9,21. La investigación actual llena el vacío combinando la adaptación entre capas con un módulo neuro-difuso ligero para hardware de clase IoT.

Ante estos problemas, la investigación ha propuesto un mecanismo inteligente de control de congestión capaz de integrar técnicas híbridas de agregación y programación con un motor de decisión neuro-difuso para WSNs preparados para IoT. El componente de agregación mitiga las transmisiones redundantes mediante la utilización tanto de ventanas basadas en el tiempo como en el recuento de paquetes. El componente de planificación garantiza la equidad y el cumplimiento de QoS mediante el round robin ponderado entre las colas duales de flujos críticos y no críticos. El motor neuro-fuzzy hace un seguimiento de las variables principales de estado de la red, almacenando conjuntamente la ocupación, la utilización del canal, la energía residual, la calidad del enlace y la prioridad del tráfico. Mediante el uso de reglas de inferencia difusas que se mejoran con aprendizaje neuroadaptativo, el controlador cambia la profundidad de agregación, los pesos de programación y las tasas de transmisión. Un sistema de circuito cerrado permite que el protocolo sea suficientemente flexible en situaciones de congestión en tiempo real.

Planteamos las preguntas clave de investigación, lo que nos ayudó a definir el alcance y la importancia del estudio, para poder presentarlas con claridad. Las preguntas de investigación que guiaron la investigación son las siguientes:
RQ1: ¿Cómo pueden la agregación y programación híbridas reducir la congestión en las WSN habilitadas para IoT de forma más eficaz que los métodos independientes?
RQ2: ¿Qué papel juega un motor de decisión neuro-difuso en la adaptación a estados de red bajo cargas de tráfico variables?
RQ3: ¿Cómo mejora el protocolo propuesto la relación de entrega de paquetes, la latencia, el rendimiento y la eficiencia energética en comparación con los esquemas convencionales de control de congestión?
RQ4: ¿Puede el protocolo propuesto prolongar la vida útil de la red manteniendo la QoS en diversas aplicaciones IoT?

Las contribuciones de este estudio son cuádruples. El argumento principal es un marco híbrido de agregación y programación con adaptación neuro-difusa para el control de la congestión en WSNs habilitadas por IoT. El segundo punto es que implementa un marco de simulación reproducible para probar el rendimiento bajo diferentes tamaños de red e intensidad de tráfico. En tercer lugar, muestra los avances cuantificables en la entrega de paquetes, latencia, rendimiento, eficiencia energética y vida útil en relación con las líneas base. Al final, ofrece datos, archivos de configuración y scripts de análisis para la apertura y la reproducibilidad.

Los diferentes métodos de control de congestión, incluyendo solo fuzzy, solo agregación, solo planificación y basado en DRL, tienen sus limitaciones, que el trabajo propuesto aborda empleando agregación híbrida adaptación multicapa, planificación adaptativa de doble cola y un motor de decisión neuro-difuso, todo integrado en un único marco ligero y amigable para el hardware. A diferencia de los métodos basados en DRL, que son computacionalmente costosos y tardan mucho en converger, la capa neuro-difusa propuesta puede realizar las operaciones casi en tiempo real con un consumo considerable menor de energía y CPU; por lo tanto, es ideal para nodos sensores de clase IoT. En la Tabla 1 se han comparado varios métodos de control de congestión junto con el método propuesto.

Tabla 1: Comparación entre los enfoques existentes de control de congestión y el método propuesto. Esta tabla describe las características, ventajas y limitaciones más importantes de diferentes categorías de métodos de control de congestión en redes inalámbricas de sensores, como enfoques solo difusos, solo agregación, solo programación y basados en DRL. Señala la singularidad del método propuesto al combinar agregación híbrida, planificación adaptativa de prioridades y un motor de decisión neuro-difuso ligero para ofrecer adaptación multicapa con un bajo coste computacional. La comparación realizada entre ellos muestra que el protocolo introducido es capaz de lograr mejor PDR, menor latencia, rendimiento equilibrado y mayor eficiencia energética, y seguir siendo compatible con dispositivos IoT-WSN con recursos limitados. Por favor, haz clic aquí para descargar esta tabla.

Trabajo relacionado
Investigaciones recientes sobre el control de congestión en redes inalámbricas de sensores (WSN) habilitadas por IoT muestran que las técnicas de capa única —agregación pura, limitación del tráfico o programación— son insuficientes bajo cargas de tráfico heterogéneas y con ráfagas que provocan desbordamientos de búfer, colisiones y un desperdicio severo de energía¹-⁵. Por ello, los esquemas híbridos de agregación-programación han ganado protagonismo por reducir simultáneamente las transmisiones redundantes y regular la contención a medida que las densidades de nodos escalan 6,7,8,10. Las variantes entre capas integran enrutamiento, agrupamiento y planificación a nivel MAC para estabilizar flujos convergecast y cargas de trabajo mixtas deQoS 11, 12, 13, mientras que los disparadores difusos o heurísticos ajustan la profundidad de agregación y la disciplina del servicio en función de señales locales de congestión14, 15 y 16. Las técnicas de computación suave mejoran aún más la capacidad de respuesta: los controladores difusos infieren estados de cola a partir de la ocupación del búfer, la calidad del enlace y las retransmisiones 9,17,21; Los sistemas neuro-difusos mejoran esto aprendiendo pesos de reglas para optimización multiobjetivo a través de la relación de entrega de paquetes (PDR), latencia, rendimiento y consumoenergético 22,23,24. Mientras tanto, los enfoques de aprendizaje por refuerzo profundo (DRL/RL) gestionan el control de velocidad, la caché y la planificaciónde 25, 26, 27 y 28, y los marcos generativos/optimizados remodelan clústeres y rutas bajo estrés mientras ajustan el comportamiento del tráfico local²9. A lo largo de estos diversos enfoques, los híbridos inteligentes superan consistentemente a los métodos estáticos al frenar los desbordamientos de colas, estabilizar ventanas de contención, reducir el retardo y mejorar el rendimiento y la eficiencia energética bajo condiciones de tráficovariables 8,9,12,24,25,26,27,28,29,30 ,32,33,34.

Una línea paralela de trabajo se centra en mejorar la vida útil de la red y la QoS adaptando los parámetros de control de congestión a los niveles de energía, las condiciones de enlace y las prioridades de la aplicación. Los estudios demuestran que agregar paquetes correlacionados reduce el número de transmisiones, mientras que la planificación adaptativa minimiza la contención, la escucha en reposo y las tormentas decolisiones 14,17,18,27,30,32,33,34,35,36 . Los mecanismos basados en prioridad protegen el tráfico urgente de atención sanitaria o industrial mientras estimulan la telemetría no crítica 18,32,33,35 y el enrutamiento, agrupamiento y control de tasas difusos/neuro-difusos, suavizando oscilaciones en escenarios de alta carga 33,18. Avances adicionales como la optimización impulsada por IA para el enrutamiento37, el agrupamiento38 y el mapeo consciente de la congestióna largo plazo 39, junto con detección inteligente defallos 40, comunicación segurahabilitada por blockchain 31 y recuperación energética⁴1, ponen de manifiesto la creciente tendencia hacia soluciones integradas y conscientes del contexto para la congestión. A pesar de estos avances, la mayoría de los enfoques existentes aún carecen de un marco unificado, ligero y en tiempo real capaz de coordinar conjuntamente la agregación, la programación y la adaptación inteligente entre diversas cargas de trabajo IoT. Esta carencia motiva el desarrollo de un sistema híbrido inteligente de control de congestión que aprovecha la toma de decisiones neuro-difusa para un rendimiento escalable, consciente de la QoS y eficiente energéticamente en entornos WSN modernos habilitados con IoT.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

1. Configuración del entorno de simulación

  1. Instala Ubuntu 22.04 LTS en una estación de trabajo con al menos un procesador Intel i5, 8 GB de RAM y 20 GB de almacenamiento. Configura el compilador GNU C/C++ y las bibliotecas Tcl/Tk para compilar y ejecutar NS-2.35.
  2. Instala Python 3.10 junto con NumPy, SciPy, Pandas y Matplotlib para análisis y gráficos. Habilitar los módulos de monitorización energética y de cola NS-2 para capturar eventos de encola, dequeue, drop, entrega y consumo energético.
  3. Ejecuta cada experimento 5 veces usando semillas aleatorias independientes para asegurar la reproducibilidad.
  4. Estructura el directorio de simulación en subcarpetas para configuraciones, scripts, resultados y análisis, y mantén registros Markdown para registrar configuraciones y resultados.
    NOTA: Todos los archivos de configuración TCL, scripts de implementación NFDE y utilidades de análisis utilizados en el flujo de trabajo de simulación se proporcionan en el Archivo Suplementario 1.

2. Topología de la red y generación de tráfico

  1. Generar topologías de redes inalámbricas de sensores con 150, 300, 450, 600 y 750 nodos distribuidos uniformemente dentro de un área de despliegue de 600 x 600 m².
  2. Inicializar cada nodo con 25 J de energía, un rango de transmisión de 75 m y un ancho de banda de 250 kbps para representar dispositivos de clase IoT.
  3. Coloca el nodo sumidero ya sea en el centro o en el límite de la red para crear rutas de enrutamiento heterogéneas.
  4. Introduce modelos de tráfico que comprenden flujos periódicos de tasa de bits constantes a 1 paquete/s y ráfagas impulsadas por eventos a 5-10 paquetes/s de 20-30 s.
  5. Combina tráfico en segundo plano y tráfico de alta prioridad para probar la capacidad del protocolo para distinguir y priorizar flujos. Los parámetros resumidos de la simulación se proporcionan en la Tabla 2.
  6. Parámetros de configuración de la simulación NS-2
    1. Protocolo de enrutamiento: Utiliza enrutamiento ad hoc On-Demand Distance Vector (AODV) para todas las simulaciones. Establece los siguientes parámetros clave: Intervalo de hola: 1 s, Tiempo de espera de la ruta activa: 3 s, Inicio TTL/máximo: 2 / 7 saltos.
      NOTA: AODV se selecciona debido a su ligera sobrecarga de paquetes de control y su idoneidad para topologías dinámicas IoT/WSN.
    2. Configuración MAC: Utilizar el protocolo MAC IEEE 802.11 DCF (Función de Coordinación Distribuida). Establece los siguientes parámetros importantes: Tasa básica: 1 Mbps, Velocidad de datos: 250 kbps (tasa de datos de clase WSN), RTS/CTS: desactivado (sigue configuraciones típicas de bajo consumo WSN), CWmin = 31, CWmax = 1023, Tiempo de ranura = 20 μs, SIFS = 10 μs, DIFS = 50 μs.
    3. Configuración de la cola: Establecer el tipo de cola como PriQueue para soportar planificación de doble prioridad, longitud de cola (longitud IFQ) a 50 paquetes. Configura el mapeo de cola como tráfico de alta prioridad en la Cola 1 y el tráfico normal en la Cola 2. Establece el comportamiento de la cola en DropTail usado para el manejo de desbordamiento.
    4. Modelo de propagación: Selecciona TwoRayGround para entornos exteriores típicos de IoT/WSN donde la pérdida de trayectoria aumenta con la distancia. Establecer parámetros de verificación cruzada del modelo como altura de la antena: 1,5 m, factor de pérdida del sistema: 1,0, umbral mínimo de potencia recibida: −95 dBm.
    5. Modelos de interfaz y antena: Establecer el tipo de interfaz inalámbrica como Phy/WirelessPhy. Configura la siguiente configuración de interfaz de red: Tipo de cola de interfaz: Queue/DropTail/PriQueue, Interfaz de red: CMUPriQueue para servicio priorizado. Configura el modelo de antena como Antena/OmniAntenna ya que refleja motas típicas de sensor (MicaZ, TelosB, etc.).
    6. Longitud IFQ y tamaño de paquete: Establece la longitud de la cola de interfaz (IFQLength) en 50 paquetes, ya que garantiza que la congestión ocurra en picos de tráfico realistas. Establece los siguientes parámetros de tamaño de paquete: Paquete CBR por defecto: 512 bytes, cabecera MAC: ~36 bytes, paquete de control AODV: ~32 bytes. Establece el umbral de fragmentación a Ninguno (fragmentación desactivada).
    7. Configuración de canal: Configura el tipo de canal a Channel/WirelessChannel, la frecuencia a la banda ISM de 2,4 GHz (frecuencia común IoT), el ancho de banda a 250 kbps y el dúplex a semidúplex. Establecer los parámetros de la capa de enlace como energía inicial: 25 J, potencia de transmisión: 0,66 W, potencia de recepción: 0,395 W, potencia en reposo: 0,035 W y potencia de reposo: 0,003 W. Ajustar el ruido de fondo a −100 dBm y el umbral de sentido de portadora (CST) a −94 dBm.

Tabla 2: Parámetros de simulación NS-2.35 utilizados para evaluar el protocolo propuesto de control de congestión. Esta tabla recopila todas las configuraciones de simulación en NS-2.35, como el tamaño del área de despliegue, densidades de nodos, parámetros relacionados con la energía, configuraciones MAC y de enrutamiento, estructura de colas, modelo de propagación, tamaño de paquete y umbrales de control. Los parámetros sirven para garantizar la completa reproducibilidad del entorno experimental para la comparación de rendimiento de esquemas híbridos, solo de agregación, solo de programación y de control de congestión de base. Por favor, haz clic aquí para descargar esta tabla.

3. Arquitectura metodológica

  1. Diseñar el protocolo propuesto integrando agregación híbrida, planificación adaptativa y un motor de decisión neuro-difuso.
  2. Implementar agregación híbrida para combinar paquetes dentro de ventanas basadas en tiempos o en conteo de paquetes, mientras se conservan las etiquetas de prioridad para tráfico crítico.
  3. Utiliza la planificación adaptativa para gestionar dos colas: una para flujos críticos y otra no crítica, y aplica planificación en formato round robin ponderada con pesos de cola ajustables dinámicamente.
  4. Emplea el motor de decisión neuro-difuso para monitorizar la ocupación del búfer, la utilización del canal, la energía residual, la calidad del enlace y la prioridad del tráfico.
  5. Mapea estas entradas en funciones de pertenencia difusas, aplica reglas de inferencia para optimizar la profundidad de agregación y los pesos de planificación, y ajusta finamente las decisiones del sistema mediante aprendizaje neuroadaptativo.
    1. Estructura del modelo NFDE: Implementar el Motor de Decisión Neuro-Fuzzy (NFDE) como un Sistema de Inferencia Neuro-Fuzzy Adaptativa Sugeno de primer orden (ANFIS) con cinco variables de entrada y tres parámetros de control de salida. El sistema utiliza una arquitectura de cinco capas
      Capa 1 - Fuzzificación de entrada: Convierte los valores nítidos del sensor en grados de pertenencia.
      Capa 2 - Fuerza de disparo de reglas: Calcula la fuerza de disparo de reglas usando inferencia de producto.
      Capa 3 - Normalización: Normaliza la intensidad de disparo.
      Capa 4 - Términos de salida lineales: Genera salidas lineales ponderadas.
      Capa 5 - Agregación de salida: Combina resultados para producir ajustes de profundidad de agregación, peso de programación y velocidad de transmisión.
      Cada regla tiene la forma: Si (B es X1) y (C es X2) y (E es X3) y (LQI es X4) y (P es X5) → f = p1· B + p2· C + p3· E + p4· LQI + p5· P + p0.
      El modelo contiene entre 15 y 25 reglas dependiendo de las restricciones de complejidad.
    2. Variables de entrada y salida
      1. Establece 5 variables de entrada, a saber: b ocupación de la fuente (B) - Relación entre la longitud actual de la cola y la longitud IFQ (0-1), utilización de c hannel (C) - fracción de tiempo ocupado MAC (0-1), r energía esidual (E) - Fracción de energía restante (0-1), l indicador de calidad de tinta (LQI) - probabilidad normalizada de éxito del enlace (0-1), y t prioridad raffica (P) con 1,0 como crítico y 0,0 como no crítico.
      2. Establece 3 variables de salida, a saber, profundidad de agregación (A*) - Número recomendado de paquetes a agregar (rango 1-6), peso de cheduling s (W*) - Peso asignado a la cola de alta prioridad (0,3-0,8), ajuste de rate (R*) - Escalado de tasa de transmisión (−20% a +10%).
    3. Todas las entradas utilizan funciones de pertenencia triangular o trapezoidal definidas en el rango 0 - 1. Configura las funciones de la nave de brasas como se indica a continuación con rangos numéricos.
      Ocupación de amortiguador (B) - Bajo: trapmf(0,0, 0,0, 0,20, 0,40), Medio: trimf(0,30, 0,50, 0,70), Alto: trapmf(0,60, 0,80, 1,0, 1,0)
      Utilización del canal (C) - Bajo: trimf(0,0, 0,15, 0,30), Medio: trimf(0,25, 0,50, 0,75), Alto: trimf(0,70, 0,85, 1,0)
      Energía residual (E) - Alta: trapmf(0,70, 0,80, 1,0, 1,0), Media: trimf(0,40, 0,55, 0,70), Baja: trapmf(0,0, 0,0, 0,30, 0,50)
      Indicador de calidad de enlace (LQI) - Bueno: trapmf(0,70, 0,80, 1,0, 1,0), Moderado: trimf(0,40, 0,55, 0,70), Pobre: trapmf(0,0, 0,0, 0,30, 0,45)
      Prioridad de tráfico (P) - No crítico: trimf(0,0, 0,0, 0,1), Crítico: trimf(0,9, 1,0, 1,0)
      Funciones de membresía en la salida - Dado que Sugeno ANFIS utiliza salidas lineales nítidas:
      A* (profundidad de agregación) = a1·entradas + a0, recortado a [1,6], W* (peso prioritario) = w1·entradas + w0, recortado a [0,3,0,8], R* (factor de tasa) = r1·entradas + r0, recortado a [−0,20, +0,10]
    4. Formulación de la base de reglas: Una base de reglas completa suele incluir entre 15 y 25 reglas, dependiendo de los límites computacionales. Establezca un subconjunto típico de reglas como
      Si B = alto Y C = alto → reducir A*, aumentar W*, reducir R*
      Si B = medio Y E = alto Y P = crítico → moderado A*, aumentar W*
      Si LQI = mala → aumentar A* (para reducir las retransmisiones)
      Si E = bajo → reduce R*, reduce A* (conservación de energía)
      Si C = bajo Y P = crítico → se pone W* alto
      Si B = alto Y LQI = bueno → reducir A*, aumentar R*
      NOTA: Distintividad del sistema de reglas neuro-difusa. El sistema de reglas difusas se diferencia de los esquemas convencionales de control de congestión en dos aspectos:
      Acoplamiento multi-entrada: Considera conjuntamente la ocupación de colas, la utilización del canal, la profundidad de agregación y las métricas de prioridad de paquetes que rara vez se combinan en controladores WSN difusos existentes.
      Ajuste de reglas neuroadaptativo: Las reglas iniciales se definen por expertos pero posteriormente se optimizan usando el aprendizaje ANFIS, actualizando las fortalezas de las reglas y los parámetros de salida para ajustarlos a condiciones reales de la red. Las reglas representativas utilizadas incluyen:
      SI la ocupación de la cola es alta Y la utilización del canal es alta, ENTONCES reduce la velocidad de transmisión y aumenta la profundidad de agregación.
      SI la ocupación en la cola es media Y la prioridad alta, ENTONCES aumenta el peso de la programación.
      SI la energía residual es baja, ENTONCES limita las retransmisiones y reduce la presión en la cola.
      Estos ajustes dinámicos de reglas permiten una mitigación de congestión más sensible en comparación con los sistemas difusos estáticos.
    5. Define y ajusta funciones y reglas de membresía. Primero, establecer las funciones de membresía difusas basadas en los rangos empíricos de las tendencias simuladas de NS-2 que se realizaron como estudio preliminar. Estas tendencias incluyen la ocupación de los amortiguadores, la utilización del canal, la energía residual y las distribuciones de LQI. Luego, se ajustan estas funciones de pertenencia mediante el procedimiento de entrenamiento ANFIS, donde se utiliza el descenso de gradiente para optimizar tanto los límites de MF como los parámetros de salida de Sugeno. Haz la base inicial de reglas difusa a partir de heurísticas derivadas por expertos. Después de eso, entrena el sistema neuroadaptativo hasta que los pesos y parámetros de las reglas se actualicen debido a patrones de tráfico representativos, permitiendo así ajustarlos.
    6. Evalúa la huella computacional del NFDE para determinar si es adecuado para nodos sensores de clase IoT. Lleva un registro del tiempo de inferencia, que suele ser de unos 1,2-1,8 ms en un microcontrolador Cortex-M4 que funcione a 72 MHz. Asegúrate de que el consumo de memoria para todas las funciones de pertenencia y parámetros de reglas no supere los 40 KB. Realiza todo el entrenamiento ANFIS fuera de línea y no en nodos sensores. Para mantener la adaptabilidad en tiempo real con una carga computacional muy baja, solo debe usarse la parte ligera de inferencia durante el despliegue.
    7. Procedimiento de entrenamiento: entrenar NFDE offline utilizando el algoritmo híbrido ANFIS
      Pase hacia adelante (Estimación de mínimos cuadrados): Determina parámetros lineales de las reglas de Sugeno.
      Paso hacia atrás (Gradient Descent): Actualiza los parámetros MF no lineales.
      1. Establece parámetros de entrenamiento como tamaño del conjunto de datos: 15.000 muestras generadas a partir de estados de tráfico simulados, Épocas: 50, Tasa de aprendizaje (α): 0,01, Tolerancia a error: 1 x 10 ⁻⁴, Parada temprana: 3 épocas consecutivas sin mejora, Objetivo de optimización: minimizar RMSE entre la salida de NFDE y los perfiles de control de realidad.
  6. La congestión se revela tanto por indicadores de nivel de condición como de subcondición. Distinguir la congestión a nivel de nodo inspeccionando los niveles de ocupación de la cola, la tasa de crecimiento de la cola y los eventos de caída de paquetes cuando el IFQ se acerca a su límite de capacidad. Inferir congestión a nivel de canal a partir de aumentos sostenidos en el tiempo de mayor actividad del MAC, largos intervalos de retroceso y aumento de la probabilidad de colisión. Estas señales se suministran constantemente al Motor de Decisión Neuro-Fuzzy, que determina la gravedad de la congestión y emite medidas de control autónomas.
  7. Tras la detección de congestión, el NFDE amplía la agregación para reducir las transmisiones de paquetes, reconfigurar los pesos de programación para la criticidad del tráfico y reducir la velocidad de transmisión para normalizar la cola. Mantener el mecanismo de detección separado de la capa de aplicación, de modo que la gestión de la congestión se mantenga incluso si el tráfico es de otro tipo.
  8. Actualiza los parámetros cada 1-2 segundos para que respondan casi en tiempo real. Utiliza la Tabla 3 para referenciar los parámetros de la función de pertenencia, rangos de salida y reglas difusas representativas aplicadas en el Motor de Decisión Neuro-Fuzzy. Consulta los valores numéricos de MF listados, los límites de salida de Sugeno y las reglas de decisión de ejemplo para reproducir con precisión el comportamiento de inferencia y adaptación del controlador.
  9. Realiza el análisis en cuatro etapas principales:
    Configuración: Preparar NS-2.35, herramientas de análisis en Python y generar topologías de red y patrones de tráfico.
    Ajuste de parámetros: Configurar la profundidad de agregación, los pesos de planificación, los parámetros de la cola de la interfaz y las funciones de membresía y ajustes de aprendizaje de NFDE.
    Ejecución de simulación: Ejecutar todos los escenarios a través de múltiples densidades de nodos y cargas de tráfico, recopilar archivos completos de trazas NS-2 y registrar eventos clave incluyendo enqueue, dequeue, drop, delivery y estados de energía.
    Análisis: Extraer PDR, latencia, rendimiento, energía y métricas de vida útil usando scripts en Python y calcular la significación estadística a través de las líneas base.
    NOTA: Este flujo de trabajo proporciona una secuencia clara y reproducible desde la configuración hasta el análisis y se ilustra en la Figura 1.

Tabla 3: Funciones de pertenencia difusas, rangos de salida y reglas representativas utilizadas en el motor de decisión neuro-difuso. Las cinco variables de entrada tienen todas funciones de pertenencia triangular y trapezoidal, y la tabla muestra los parámetros numéricos exactos para ellas. La tabla también indica los rangos operativos para las salidas tipo Sugeno. Las reglas difusas representativas demuestran cómo el sistema interpreta las condiciones de la red para ajustar la profundidad de agregación, los pesos de la programación de la cola y la escalada de la tasa de transmisión. Entre los parámetros de reproducibilidad se encuentran los conteos de MF, el tamaño del conjunto de reglas, la tasa de aprendizaje y el intervalo de actualización, que están ahí para facilitar una replicación directa del NFDE. Por favor, haz clic aquí para descargar esta tabla.

Figura 1
Figura 1: Arquitectura del protocolo inteligente de control de congestión para redes inalámbricas de sensores habilitadas con IoT. El flujo de trabajo integrado integral de la política híbrida de control de congestión se representa en este diagrama. Las mediciones del estado de la red —ocupación del búfer, utilización del canal, energía residual, calidad del enlace y prioridad del tráfico— se introducen en la capa de función de pertenencia y al Motor de Decisión Neuro-Fuzzy, que luego genera variables de control adaptativas como la profundidad de agregación, el peso de planificación y el ajuste de la velocidad de transmisión. Estas variables controlan el Módulo de Agregación Híbrida y el Módulo de Planificación Adaptativa, permitiendo así métricas de tráfico optimizadas conjuntamente con una mayor relación de entrega de paquetes, menor latencia, menor consumo energético y vida útil prolongada de la red. Abreviaturas: NF = Neuro-Fuzzy, PDR = Ratio de entrega de paquetes, WRR = Rounded Round Robin ponderado, WSN = Red de sensores inalámbricos, IoT = Internet de las Cosas, AQM = Gestión activa de colas (si procede), RSSI = Indicador de intensidad de señal recibida (si procede). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

4. Detalles del conjunto de datos

NOTA: El conjunto de datos de simulación utilizado en este estudio se generó internamente utilizando el entorno NS-2.35 y no se deposita en un repositorio público debido a limitaciones de tamaño de archivo. Sin embargo, todos los archivos de configuración, scripts TCL, código NFDE y scripts de análisis en Python necesarios para reproducir el conjunto de datos están disponibles públicamente en el siguiente repositorio de GitHub: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. Los investigadores pueden regenerar el conjunto de datos completo ejecutando los archivos de configuración y scripts proporcionados. Los autores pueden poner a disposición archivos de datos adicionales si se solicita razonablemente.

  1. Prepara el conjunto de datos generando archivos de configuración, listas de semillas aleatorias, archivos de trazas NS-2 en bruto, resultados CSV procesados y scripts en Python para análisis y visualización de trazos.
  2. Aclaración sobre la fuente del conjunto de datos:
    1. Genera todo el conjunto de datos utilizando la plataforma de simulación NS-2.35 en lugar de obtenerlo de repositorios externos o públicos.
    2. Configura NS-2.35 para que genere archivos de traza en bruto para cada ejecución de simulación, incluyendo enqueue, dequeue, drop, entrega, eventos MAC y registros de energía a nivel de nodo.
    3. Crea todas las topologías, patrones de tráfico y ajustes de parámetros de forma programática como parte del flujo de trabajo de simulación. Asegúrate de que cada escenario genere aproximadamente 20 MB de datos de traza en bruto y almacena todos los resultados experimentales dentro del directorio del proyecto.
    4. Procesa estos archivos trazado usando scripts en Python para extraer la relación de entrega de paquetes, latencia, rendimiento, consumo energético y métricas de vida útil de la red.
    5. No se utilizan conjuntos de datos externos ni de terceros en este estudio.
  3. Cubre 75 escenarios en densidades de nodos, intensidades de tráfico y semillas aleatorias.
  4. Espera aproximadamente 20 MB de datos en bruto y 1-2 MB de resultados procesados por escenario, lo que da un tamaño total del conjunto de datos de unos 2 GB.

5. Ejecución de simulación

  1. Ejecuta cada simulación durante 900 s. Compare el protocolo propuesto con tres alternativas: un esquema solo de agregación, un esquema solo de programación y la línea base PCCP.
  2. Utiliza topologías de red idénticas y semillas aleatorias en todos los protocolos para asegurar la comparabilidad. Recoge archivos traza de cada ejecución y organízalos en el directorio de resultados por densidad de nodos, carga de tráfico y tipo de protocolo.

6. Análisis de datos

  1. Analiza archivos de trazado con scripts en Python para calcular la relación de entrega de paquetes, la latencia de extremo a extremo, el rendimiento, el consumo energético por nodo y la vida útil de la red (tiempo hasta la primera muerte del nodo y el 50% de muerte del nodo).
  2. Promedia los resultados a lo largo de cinco partidas y reporta la media ± intervalo de confianza del 95%.
  3. Aplicar pruebas t pareadas para datos distribuidos normalmente y pruebas de rango con signo de Wilcoxon en caso contrario, y considerar diferencias significativas en p < 0,05.

7. Orientación operativa para uso de software

  1. Ejecución de NS-2 e invocación de scripts Tcl
    1. Utiliza NS-2.35 para ejecutar escenarios de simulación usando el archivo Tcl (hybrid_protocol.tcl proporcionado).
      Ejecuta un solo escenario:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      Banderas: -nn (nodos), -seed (semilla), -traffic (cbr|bursty), -out (archivo de traza).
      Ejecución por lotes: ./configs/run_experiment.sh
  2. Scripts en Python para análisis sintáctico de trazas y extracción de métricas
    1. Analiza una traza
      Análisis de Python/parse_ns2.py Traces/out_300_seed3.tr --O Results/metrics_300_3.csv
    2. Métricas agregadas
      Análisis en Python/Resultados de compute_metrics.py --Resultados resumidos/summary_all.csv
    3. Generar gráficos
      Análisis/Resultados de plot_metrics.py/summary_all.csv en Python --Cifras de salida/
  3. Formación e inferencia NFDE
    1. Generar datos de entrenamiento
      Python NFDE/anfis_train.py --generar 15000 --salida NFDE/training_data.csv
    2. Tren NFDE
      Python NFDE/anfis_train.py --Train NFDE/training_data.csv --Epochs 50 --LR 0.01 --OUT NFDE/nfde_model.PKL
    3. Ejecutar inferencia NFDE
      python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. Resultados esperados

  1. Demostrar un rendimiento superior del protocolo propuesto respecto a los esquemas base 6,7,13,14,17,24. Mantener altas proporciones de entrega de paquetes incluso bajo mucha congestión, reducir la latencia de extremo a extremo mediante planificación adaptativa y mantener un mayor rendimiento controlando las transmisiones redundantes.
  2. Mostrar una mejora en la eficiencia energética y una vida útil de red más larga gracias a la reducción de retransmisiones y una distribución equilibrada de la carga.
  3. Destacar la idoneidad de este protocolo para las WSN habilitadas por IoT en la sanidad, IoT industrial y aplicaciones de ciudades inteligentes donde la entrega de datos oportuna y fiable es fundamental.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

El esquema PRAM era factible en un entorno de red inalámbrica de sensores con comunicación de un solo salto y tamaño limitado del búfer. Los experimentos se realizaron con diferentes tasas de tráfico, y el rendimiento del esquema se comparó con el Aloha tradicional y una variante del Aloha basado en árbol (T-Aloha) en términos de rendimiento, retardo medio de acceso y número medio de búferes no vacíos. Los resultados demostraron claramente que el esquema propuesto logró un rendimiento superior en todas las métricas menci...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

Los resultados demuestran que el control de la congestión ha mejorado significativamente en redes inalámbricas de sensores habilitadas por IoT mediante la integración de agregación híbrida, programación adaptativa y adaptación neuro-difusa. De hecho, se ha comprobado que el nuevo protocolo logra un mejor rendimiento que las líneas base de solo agregación, programación y PCCP en términos de entrega de paquetes, latencia, rendimiento, eficiencia energética y vida útil de la red a través de...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores declaran que no tienen intereses financieros en competencia ni relaciones personales que pudieran haber influido en el trabajo relatado en este manuscrito.

Agradecimientos

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

Los autores agradecen sinceramente el apoyo brindado por la Universidad Vishwakarma, Pune, a las instalaciones de investigación y la asistencia administrativa a lo largo del desarrollo de este trabajo. Los autores también agradecen al Departamento de Ingeniería Informática por proporcionar la infraestructura computacional necesaria para la simulación y el análisis. Esta investigación no recibió ninguna subvención específica de ninguna agencia financiadora en los sectores público, comercial o sin ánimo de lucro. Las herramientas de grandes modelos de lenguaje se usaban únicamente para el pulido y formateo del lenguaje. Todo el contenido científico, métodos y análisis fueron desarrollados íntegramente por los autores. Todo el texto generado mediante asistencia de IA fue revisado y validado para garantizar su precisión.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Módulo Aqua-Sim (opcional)Repositorio de Extensiones NS2–Utilizado si se prueban escenarios de WSN submarinos
Sobremesa/portátil (Intel i5/AMD Ryzen 5, ≥ 8 GB de RAM, ≥ 20 GB de almacenamiento)Disponible comercialmente–Se usaba para ejecutar todas las simulaciones
Compilador GNU C/C++, Tcl/TkRepositorio de Ubuntu–Necesario para compilar NS-2
MATLAB R2022a (opcional)MathWorkshttps://www.mathworks.comSe utiliza para modelado ANFIS/fuzzy si se prefiere
Simulador de red NS-2.35Proyecto ISI/NS2https://www.isi.edu/nsnam/ns/Entorno de simulación central
Resultados procesados (.csv)Generados en este estudio-Métricas calculadas: PDR, retardo, rendimiento, energía, vida útil
Python 3.10 (NumPy, SciPy, Pandas, Matplotlib)Fundación de Software Pythonhttps://www.python.orgUtilizado para análisis y trazado
Scripts de análisis en PythonGenerados en este estudio-Scripts para analizar trazas y generar gráficos
Archivos de traza NS-2 en bruto (.tr)Generados en este estudio-Contienen eventos de transmisión a nivel de paquete y energía
Archivos de configuración de simulación (topología, modelos de tráfico, semillas aleatorias)Generados en este estudio-Necesarios para replicar experimentos
Ubuntu Linux 22.04 LTSCanonical Ltd.https://ubuntu.comSistema operativo para NS-2

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Redes IoTPlanificaci n AdaptativaControlador Neuro DifusoTasa de Entrega de PaquetesLatencia de Extremo a ExtremoConsumo de Energ aVida til de la Red
Video próximamente

Artículos relacionados