Article de méthode

Mécanisme intelligent de contrôle de la congestion pour les réseaux de capteurs sans fil compatibles IoT utilisant la technique hybride d’agrégation et de planification

DOI :

10.3791/69909

⸱

13 janvier 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

Dans cet article

Résumé

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

Ce protocole introduit une méthode intelligente de contrôle de la congestion pour le WSN compatible IoT utilisant une technique hybride d’agrégation et d’ordonnancement, complétée par une couche de décision neuro-floue. Le système proposé améliore la livraison, le délai, le débit et l’efficacité énergétique des paquets, augmentant ainsi la durée de vie du réseau tout en assurant la QoS dans le cas de charges de travail IoT variables.

Résumé

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

La congestion dans les réseaux de capteurs sans fil (WSN) compatibles IoT dégrade la livraison, la latence et la consommation d’énergie des paquets, altération du réseau, notamment dans des conditions de trafic hétérogènes et par rafales. Ce protocole illustre une technique intelligente de contrôle de la congestion qui combine agrégation hybride de données, planification adaptative et moteur de décision neuro-flou pour gérer efficacement la charge réseau. La méthode consiste d’abord à générer des données de simulation, à créer des topologies de différentes densités de nœuds, puis à configurer des schémas de trafic à l’aide de NS-2.35. Des traces de paquets sont obtenues pour chaque scénario afin de permettre une évaluation reproductible. Le flux de travail protocolaire fait référence à la combinaison de deux mécanismes : (1) l’agrégation hybride, qui combine les paquets dans des fenêtres basées sur le temps et le comptage tout en conservant les labels de priorité, et (2) l’ordonnancement adaptatif, qui gère les files d’attente à double priorité via un round robin pondéré. Un contrôleur neuro-flou évalue toujours l’occupation du tampon, la qualité du lien, l’utilisation du canal, l’énergie résiduelle et la priorité au trafic. En prenant ces entrées, il régule la profondeur d’agrégation, les poids de file d’attente et les décisions de transmission par inférence floue et apprentissage neuro-adaptatif. Les tâches de mesure de performance comprennent le calcul du ratio de livraison des paquets, de la latence de bout en bout, du débit, de la consommation d’énergie au niveau des nœuds et de la durée de vie du réseau. Des analyses statistiques sont réalisées sur plusieurs séries afin de vérifier la fiabilité des résultats. Cette approche révèle de meilleures performances dans la simulation comparé aux schémas de référence. Ce protocole offre un cadre reproductible pour explorer des méthodes hybrides de contrôle de la congestion permettant une exploitation économe en énergie, évolutive et consciente de la QoS dans des environnements WSN compatibles IoT.

Introduction

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

La croissance massive de l’Internet des objets (IoT) a nécessité le déploiement de milliards d’appareils interconnectés, dont des réseaux de capteurs sans fil (WSN) sont utilisés pour assurer la surveillance en temps réel et le soutien à la décision dansla plupart des cas 1,2. Ces réseaux deviennent les structures centrales des systèmes connectés à l’IoT dans des domaines radicalement différents, tels que la surveillance des soinsde santé 3, les villesintelligentes 4, l’agriculturede précision 5, l’automatisation industrielle6 et la détection environnementale7. Les WSN sont composés de nœuds capteurs disposant de ressources limitées telles que la bande passante, l’énergie et la puissance de calcul. Ces limitations aggravent le problème car le trafic IoT est également très dynamique et en rafales, ce qui rend les réseaux mentionnés très sensibles à la congestion8.

Ce protocole est particulièrement pertinent pour les déploiements IoT à moyenne à grande échelle (150 à 750 nœuds) qui génèrent un trafic mixte, périodique et en rafales sous des contraintes énergétiques serrées. Ce type de situation se retrouve très souvent dans la surveillance des soins de santé, la détection de villes intelligentes et les systèmes d’automatisation industrielle, où il reste nécessaire d’assurer une livraison fiable et une communication à faible latence malgré les ressources limitées desnœuds 9.

La congestion des WSN peut sérieusement entraver la capacité de performance du réseau par divers moyens, notamment des pertes de paquets, des délais accrus dans la file d’attente, une diminution du débit et une déplétion accéléréede l’énergie 8,10. Dans des scénarios IoT critiques, par exemple la télémédecine ou les secours en cas de catastrophe, un retard causé par la congestion ou la perte de paquets peut avoir des conséquencesfatales 11,12. Les méthodes actuelles de contrôle de la congestion comportent trois catégories principales : les schémas basés sur le trafic (limitation du débit de source, contrôle de la contre-pression)13,14, les schémas basés sur l’agrégation (combinaison de données en réseau)15,16, et les schémas basés sur la planification (file d’attente prioritaire, allocation de canal)9,17. Ainsi, ces techniques atteignent un certain niveau de succès mais présentent aussi des défauts lorsqu’elles sont utilisées seules. Par exemple, les méthodes basées sur le trafic sont souvent coupables d’une détérioration des performances des applications en raison de la réduction des débits source de manière non sélective. Les méthodes basées sur l’agrégation éliminent la redondance mais ajoutent un délai aux flux temporel. Bien que les stratégies basées sur la planification puissent augmenter le niveau d’équité, elles ne peuvent pas fonctionner efficacement sans la présence d’autres charges de traficélevées 6.

Comparé aux schémas uniquement trafic, agrégation et planification uniquement, le contrôle neuro-flou hybride offre un compromis plus équilibré entre fiabilité de la livraison des paquets, la latence et la consommation d’énergie. En régulant conjointement la profondeur d’agrégation et la priorité de planification en fonction de l’état du réseau en temps réel, l’approche proposée atténue plus efficacement la congestion sous des charges de travail IoT lourdes et hétérogènes18.

Motivation de la recherche
Les réseaux de capteurs sans fil compatibles IoT génèrent un trafic hétérogène et souvent en rafales, les rendant vulnérables à la congestion, au débordement de files d’attente et à l’excès de retransmissions. Les schémas existants basés sur le trafic, uniquement agrégation ou uniquement planification ne parviennent pas à obtenir un compromis équilibré entre la livraison de paquets, la latence et la consommation d’énergie sous des conditions de chargedynamique 19,20. Motivée par ces limitations, cette étude introduit un protocole hybride de gestion de la congestion qui combine agrégation adaptative, planification consciente de la QoS et prise de décision neuro-floue afin d’offrir des performances fiables, conscientes des délais et économes en énergie dans des environnements denses d’IoT-WSN.

Des travaux récents ont mis en lumière le potentiel des mécanismes hybrides combinant agrégation et planification pour équilibrer débit, latence et efficacité énergétique21,22. Les méthodes adaptatives utilisant la logique floue, l’apprentissage par renforcement ou l’inférence neuro-floue améliorent encore la réactivité aux états dynamiquesdu réseau 23,24,25,26. La plupart des méthodes actuelles dépendent cependant de seuils statiques, augmentent la surcharge computationnelle qui ne convient pas aux nœuds à ressources limitées, et ne sont pas robustes sous des charges de travail IoThétérogènes 27,28. Par conséquent, la demande de mécanismes intelligents de contrôle de la congestion légers, adaptatifs et capables de réagir aux changements de trafic tout en prolongeant la durée de vie du réseau reste très élevée.

Diverses études ont été menées pour mettre en lumière la fiabilité, l’amélioration de la QoS et les fonctionnalités de gestion sécurisée des données dans les WSN compatibles IoT. Les schémas de détection et de récupération des pannes sensiblesà l’énergie 29,30 ont montré qu’ils augmentent la robustesse et les performances de bout en bout dans des environnementschangeants 31. Des protocoles blockchain légers peuvent être utilisés pour sécuriser davantage la communication des données dans les applications IoT-WSN. La mise en œuvre de méthodes hiérarchiques de détection des pannes basées sur des règles aide également à maintenir la QoS dans le déploiement de capteurs à restreintes limitées. Ces améliorations témoignent de la demande de solutions de contrôle de la congestion pouvant être intégrées à la fiabilité, à la sécurité et à l’utilisation efficace des ressources dans les systèmes IoT modernes.

Bien que les techniques de contrôle de la congestion pour les WSN aient été largement étudiées, il est principalement vrai que les solutions existantes ne prennent en compte que des mécanismes à couche unique — l’un d’ajustement, d’agrégation ou d’ordonnancement du tauxde trafic 15. Le protocole en question propose cependant un mécanisme adaptatif multi-couches dans lequel l’agrégation hybride, la planification consciente des priorités et la prise de décision neuro-floue interagissent conjointement et se mettent à jour mutuellement en continu. Contrairement aux méthodes standard à fuzzy uniquement, le NFDE utilise un réglage neuro-adaptatif guidé par ANFIS, permettant ainsi des modifications en temps réel des fonctions d’appartenance et des paramètres de règles selon les schémas de trafic réels. Le protocole proposé diffère nettement des autres modèles grâce à cette coordination intégrée inter-couches associée à un calcul léger adapté au matériel IoT.

Avant cet article, une multitude de recherches ont été menées sur la congestion des WSN, ce qui est attesté par de nombreuses enquêtes qui rapportent des centaines d’algorithmes traitant la congestion au niveau du lien, du débordement de tampon ou des niveaux moyens de contention. La plupart des solutions ont été conçues pour traiter ces problèmes à une seule couche de protocole, tandis que la question du contrôle adaptatif de la congestion multi-couches a été à peinetraitée 9,21. La recherche actuelle comble le vide en combinant l’adaptation inter-couches avec un module neuro-flou léger pour le matériel de classe IoT.

Face à ces problèmes, la recherche a mis en place un mécanisme intelligent de contrôle de la congestion capable d’intégrer des techniques hybrides d’agrégation et de planification avec un moteur de décision neuro-flou pour les WSN prêts pour l’IoT. La composante agrégation atténue les transmissions redondantes grâce à l’utilisation à la fois de fenêtres temporelles et de décompte de paquets. La composante de planification garantit l’équité et la conformité à la QoS grâce au round robin pondéré entre les doubles files d’attente pour les flux critiques et non critiques. Le moteur neuro-flou suit les principales variables d’état du réseau, en tampon conjointement l’occupation, l’utilisation du canal, l’énergie résiduelle, la qualité du lien et la priorité au trafic. En utilisant des règles d’inférence floues améliorées par l’apprentissage neuro-adaptatif, le contrôleur modifie la profondeur d’agrégation, les poids de planification et les taux de transmission. Un tel système en boucle fermée permet au protocole d’être suffisamment flexible en situation de congestion en temps réel.

Nous avons posé les questions clés de recherche, ce qui nous a aidés à définir la portée et l’importance de l’étude, afin de pouvoir les présenter clairement. Les questions de recherche qui ont guidé la recherche sont les suivantes :
RQ1 : Comment l’agrégation hybride et la planification peuvent-elles réduire la congestion dans les WSN compatibles IoT de manière plus efficace que les méthodes autonomes ?
RQ2 : Quel rôle joue un moteur de décision neuro-flou dans l’adaptation aux états du réseau sous des charges de trafic variables ?
RQ3 : Comment le protocole proposé améliore-t-il le ratio de livraison des paquets, la latence, le débit et l’efficacité énergétique par rapport aux schémas de contrôle de la congestion conventionnels ?
RQ4 : Le protocole proposé peut-il prolonger la durée de vie du réseau tout en maintenant la QoS à travers diverses applications IoT ?

Les contributions de cette étude sont quadruples. L’argument principal est un cadre hybride d’agrégation et de planification avec une adaptation neuro-floue pour le contrôle de la congestion dans les WSN compatibles avec l’IoT. Le second point est qu’il met en place un cadre de simulation reproductible pour tester les performances sous différentes tailles de réseau et intensités de trafic. Troisièmement, il montre les avancées quantifiables en matière de livraison de paquets, de latence, de débit, d’efficacité énergétique et de durée de vie par rapport aux lignes de base. Au final, il propose des données, des fichiers de configuration et des scripts d’analyse pour l’ouverture et la reproductibilité.

Les différentes méthodes de contrôle de la congestion, y compris fuzzy seule, agrégation uniquement, ordonnancement uniquement et DRL, présentent leurs limites, que le travail proposé répond en employant l’agrégation hybride adaptation-multicouches, la planification adaptative à double file et un moteur de décision neuro-flou, le tout intégré dans un cadre léger et compatible matériel. Contrairement aux méthodes basées sur DRL, qui sont coûteuses en calcul et mettent beaucoup de temps à converger, la couche neuro-floue proposée peut effectuer les opérations presque en temps réel avec une consommation d’énergie et de CPU nettement moindres ; il est donc idéal pour les nœuds capteurs de classe IoT. Différentes méthodes de contrôle de la congestion ont été comparées dans le tableau 1 avec la méthode proposée.

Tableau 1 : Comparaison des approches existantes de contrôle de la congestion et de la méthode proposée. Ce tableau présente les caractéristiques les plus importantes, les avantages et les limites des différentes catégories de méthodes de contrôle de la congestion dans les réseaux de capteurs sans fil, comme les approches floues seules, agrégation uniquement, planification uniquement et DRL. Elle souligne l’unicité de la méthode proposée en combinant agrégation hybride, ordonnancement adaptatif des priorités et moteur de décision neuro-flou léger pour offrir une adaptation multi-couches à faible coût de calcul. La comparaison entre eux montre que le protocole introduit permet d’obtenir une meilleure PDR, une latence plus faible, un débit équilibré et une efficacité énergétique accrue, tout en restant compatible avec les dispositifs IoT-WSN à ressources limitées. Veuillez cliquer ici pour télécharger ce tableau.

Travaux connexes
Des recherches récentes sur le contrôle de la congestion dans les réseaux de capteurs sans fil (WSN) compatibles IoT montrent que les techniques à couche unique — agrégation pure, limitation du trafic ou planification — sont insuffisantes sous des charges de trafic hétérogènes et en rafales qui provoquent un débordement de tampon, des collisions et un gaspillage d’énergie sévère¹-⁵. Les schémas hybrides agrégation-ordonnancement ont donc gagné en importance pour réduire simultanément les transmissions redondantes et réguler la contention lorsque les densités de nœuds s’éleventà 6,7,8,10. Les variantes intercouches intègrent le routage, le clustering et la planification au niveau MAC pour stabiliser les flux convergecast et les charges de travail mixtes QoS11, 12, 13, tandis que les déclencheurs flous ou heuristiques ajustent la profondeur d’agrégation et la discipline de service en fonction des signaux locaux de congestion14, 15, 16. Les techniques de soft-computing améliorent encore la réactivité : les contrôleurs flous déduisent les états de file d’attente à partir de l’occupation du tampon, de la qualité du lien et des retransmissions 9,17,21 ; les systèmes neuro-flous améliorent cela en apprenant les poids des règles pour une optimisation multi-objectifs à travers le rapport de livraison de paquets (PDR), la latence, le débit et la consommationd’énergie 22,23,24. Parallèlement, les approches d’apprentissage par renforcement profond (DRL/RL) gèrent le contrôle des débits, la mise en cache et la planification25, 26, 27, 28, et les cadres génératifs/optimisés remodelent les clusters et routes sous stress tout en ajustant le comportement du trafic local²9. À travers ces approches diverses, les hybrides intelligents surpassent systématiquement les méthodes statiques en limitant les débordements de file d’attente, en stabilisant les fenêtres de contention, en réduisant les délais et en améliorant le débit et l’efficacité énergétique dans des conditions de circulation variables 8,9,12,24,25,26,27,28,29,30 ,32,33,34.

Une ligne parallèle de travail vise à améliorer la durée de vie du réseau et la QoS en adaptant les paramètres de contrôle de la congestion aux niveaux d’énergie, aux conditions de liaison et aux priorités des applications. Des études démontrent que l’agrégation des paquets corrélés réduit le nombre de transmissions, tandis que la planification adaptative minimise la contention, l’écoute au repos et les tempêtes de collision 14,17,18,27,30,32,33,34,35,36. Les mécanismes prioritaires protègent le trafic urgent de santé ou industriel tout en rythmant la télémétrienon critique 18,32,33,35, ainsi que le routage, le clustering et le contrôle de débit flous/neuro-flous, lissent encore plus les oscillations dans les scénarios à fortecharge 33,18. D’autres avancées telles que l’optimisation pilotée par l’IA pour leroutage 37, le clustering38 et la cartographie congestion à longterme 39, ainsi que la détection intelligente depannes 40, la communication sécurisée compatible blockchain31 et la récupération énergétique⁴1, mettent en lumière la tendance croissante vers des solutions de congestion intégrées et contextuelles. Malgré ces avancées, la plupart des approches existantes manquent encore d’un cadre unifié, léger et en temps réel, capable de coordonner conjointement l’agrégation, la planification et l’adaptation intelligente à travers diverses charges de travail IoT. Cette lacune motive le développement d’un système hybride intelligent de contrôle de la congestion qui exploite la prise de décision neuro-floue pour des performances évolutives, conscientes de la QoS et économes en énergie dans des environnements modernes WSN compatibles avec l’IoT.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

1. Mise en place de l’environnement de simulation

  1. Installez Ubuntu 22.04 LTS sur un poste de travail avec au moins un processeur Intel i5, 8 Go de RAM et 20 Go de stockage. Configurez le compilateur GNU C/C++ et les bibliothèques Tcl/Tk pour compiler et exécuter NS-2.35.
  2. Installez Python 3.10 ainsi que NumPy, SciPy, Pandas et Matplotlib pour l’analyse et le tracé. Permettre aux modules NS-2 de surveillance énergétique et de file d’attente de capturer les événements d’enqueue, de déqueue, de chute, de livraison et de consommation d’énergie.
  3. Exécutez chaque expérience 5 fois en utilisant des graines aléatoires indépendantes pour garantir la reproductibilité.
  4. Structurez le répertoire de simulation en sous-dossiers pour les configurations, scripts, résultats et analyses, et maintenez les journaux Markdown pour enregistrer les configurations et les résultats.
    REMARQUE : Tous les fichiers de configuration TCL, scripts d’implémentation NFDE et utilitaires d’analyse utilisés dans le flux de simulation sont fournis dans le Fichier Supplémentaire 1.

2. Topologie du réseau et génération de trafic

  1. Générer des topologies de réseau de capteurs sans fil avec 150, 300, 450, 600 et 750 nœuds répartis uniformément dans une zone de déploiement de 600 x 600 m².
  2. Initialiser chaque nœud avec 25 J d’énergie, une plage de transmission de 75 m et une bande passante de 250 kbps pour représenter des dispositifs de classe IoT.
  3. Placez le nœud puits soit au centre, soit à la frontière du réseau pour créer des chemins de routage hétérogènes.
  4. Introduire des modèles de trafic comprenant des débits périodiques à débit binaire constant à 1 paquet/s et des rafales entraînées par événements à 5-10 paquets/s durant 20-30 s.
  5. Combinez le trafic en arrière-plan et le trafic prioritaire pour tester la capacité du protocole à distinguer et prioriser les flux. Les paramètres de simulation résumés sont fournis dans le Tableau 2.
  6. Paramètres de configuration de simulation NS-2
    1. Protocole de routage : Utilisez le routage ad hoc à la demande (AODV) pour toutes les simulations. Définissez les paramètres clés suivants : intervalle hello : 1 s, délai d’attente de route actif : 3 s, start/max TTL : 2 / 7 bonds.
      REMARQUE : AODV est choisi en raison de sa légère surcharge de paquets de contrôle et de son adéquation aux topologies dynamiques IoT/WSN.
    2. Configuration MAC : Utilisez le protocole MAC IEEE 802.11 DCF (Distributed Coordination Function). Définir les paramètres importants suivants : Débit de base : 1 Mbps, Débit de données : 250 kbps (débit de classe WSN), RTS/CTS : désactivé (suit les configurations WSN basse puissance typiques), CWmin = 31, CWmax = 1023, Temps de slot = 20 μs, SIFS = 10 μs, DIFS = 50 μs.
    3. Configuration de la file d’attente : Définir le type de file d’attente comme PriQueue pour supporter la planification à double priorité, la longueur de la file (longueur IFQ) à 50 paquets. Réglez la correspondance de files d’attente comme trafic prioritaire vers la file 1 et le trafic normal vers la file 2. Définissez le comportement de la file d’attente sur DropTail utilisé pour la gestion du débordement.
    4. Modèle de propagation : Sélectionnez TwoRayGround pour les environnements extérieurs typiques IoT/WSN où la perte de chemin augmente avec la distance. Définir les paramètres du modèle de vérification croisée comme hauteur d’antenne : 1,5 m, facteur de perte système : 1,0, seuil de puissance reçue minimale : −95 dBm.
    5. Modèles d’interface et d’antennes : Définir le type d’interface sans fil Phy/WirelessPhy. Définissez la configuration d’interface réseau suivante : Type de file d’attente d’interface : Queue/DropTail/PriQueue, Interface réseau : CMUPriQueue pour un service priorisé. Définissez le modèle d’antenne comme Antenna/OmniAntenna puisqu’il reflète les particules typiques des capteurs (MicaZ, TelosB, etc.).
    6. Longueur IFQ et taille du paquet : Réglez la longueur de file d’attente d’interface (IFQLength) à 50 paquets car cela garantit la congestion lors de pics de trafic réalistes. Définissez les paramètres de taille du paquet suivants : paquet CBR par défaut : 512 octets, en-tête MAC : ~36 octets, paquet de contrôle AODV : ~32 octets. Réglez le seuil de fragmentation à Aucun (fragmentation désactivée).
    7. Paramètres de canal : Définir le type de canal sur Channel/WirelessChannel, la fréquence sur la bande ISM 2,4 GHz (fréquence IoT commune), la bande passante à 250 kbps, et le duplex sur demi-duplex. Réglez les paramètres de la couche de lien comme : Énergie initiale : 25 J, puissance de transmission : 0,66 W, puissance de réception : 0,395 W, puissance au repos : 0,035 W, et puissance en veille : 0,003 W. Réglez le bruit plancher à −100 dBm et le seuil de détection de porteuse (CST) à −94 dBm.

Tableau 2 : Paramètres de simulation NS-2.35 utilisés pour évaluer le protocole de contrôle de congestion proposé. Ce tableau regroupe toutes les configurations de simulation dans NS-2.35, telles que la taille de la zone de déploiement, les densités des nœuds, les paramètres liés à l’énergie, les configurations MAC et de routage, la structure de file d’attente, le modèle de propagation, la taille des paquets et les seuils de contrôle. Ces paramètres servent à garantir la reproductibilité complète de l’environnement expérimental pour la comparaison des performances des schémas hybrides, agrégation uniquement, uniquement à la planification et de base de contrôle de la congestion. Veuillez cliquer ici pour télécharger ce tableau.

3. Architecture méthodologique

  1. Concevez le protocole proposé en intégrant l’agrégation hybride, la planification adaptative et un moteur de décision neuro-flou.
  2. Implémentez l’agrégation hybride pour combiner les paquets dans des fenêtres temporelles ou de comptage tout en préservant les balises prioritaires pour le trafic critique.
  3. Utilisez l’ordonnancement adaptatif pour gérer deux files d’attente — une pour les flux critiques et une pour les flux non critiques — et appliquez un ordonnancement en round robin pondéré pondéré avec des poids de file d’attente dynamiquement ajustables.
  4. Employez le moteur de décision neuro-flou pour surveiller l’occupation du tampon, l’utilisation du canal, l’énergie résiduelle, la qualité des liens et la priorité au trafic.
  5. Mapper ces entrées en fonctions d’appartenance floues, appliquer des règles d’inférence pour optimiser la profondeur d’agrégation et les poids de planification, et affiner les décisions du système grâce à l’apprentissage neuro-adaptatif.
    1. Structure du modèle NFDE : Implémenter le Neuro-Fuzzy Decision Engine (NFDE) comme un Sugeno Adaptive Neuro-Fuzzy Inference System (ANFIS) de premier ordre avec cinq variables d’entrée et trois paramètres de contrôle de sortie. Le système utilise une architecture à cinq couches
      Couche 1 - Fuzzification d’entrée : Convertit les valeurs nettes du capteur en degrés d’appartenance.
      Couche 2 - Puissance de tir des règles : Calcule la force de tir des règles en utilisant l’inférence produit.
      Couche 3 - Normalisation : Normalise la puissance de tir.
      Couche 4 - Termes de sortie linéaires : Génère des sorties linéaires pondérées.
      Couche 5 - Agrégation de sortie : Combine les résultats pour produire la profondeur d’agrégation, le poids de planification et les ajustements du débit de transmission.
      Chaque règle a la forme suivante : Si (B est X1) et (C est X2) et (E est X3) et (LQI est X4) et (P est X5) → f = p1· B + p2· C + p3· E + p4· LQI + p5· P + p0.
      Le modèle contient de 15 à 25 règles selon les contraintes de complexité.
    2. Variables d’entrée et de sortie
      1. Définissez 5 variables d’entrée, à savoir b occupation d’un peu (B) - Rapport de la longueur actuelle de la file d’attente à la longueur IFQ (0-1), c utilisation de hannel (C) - Fraction de temps occupé MAC (0-1), r énergie esidue (E) - Fraction d’énergie restante (0-1), l indicateur de qualité d’encre (LQI) - probabilité de succès du lien normalisé (0-1), et t priorité raffique (P) avec 1,0 comme critique et 0,0 comme non critique.
      2. Définir 3 variables de sortie, à savoir la profondeur d’agrégation (A*) - Nombre recommandé de paquets à agréger (plage 1-6), poids de triche (W*) - Poids attribué à la file d’attente haute priorité (0,3-0,8), ajustement rate (R*) - Échelle du débit de transmission (−20 % à +10 %).
    3. Toutes les entrées utilisent des fonctions d’appartenance triangulaires ou trapézoïdales définies dans la plage 0 à 1. Réglez les fonctions de vaisseau m-embership comme ci-dessous avec les plages numériques.
      Taux d’occupation tampon (B) - Faible : trapmf(0,0, 0,0, 0,20, 0,40), Moyen : trimf(0,30, 0,50, 0,70), Élevé : trapmf(0,60, 0,80, 1,0, 1,0)
      Utilisation du canal (C) - Faible : trimf (0,0, 0,15, 0,30), Moyen : trimf (0,25, 0,50, 0,75), Haut : trimf (0,70, 0,85, 1,0)
      Énergie résiduelle (E) - Élevée : trapmf(0,70, 0,80, 1,0, 1,0), Moyenne : trimf(0,40, 0,55, 0,70), Faible : trapmf(0,0, 0,0, 0,30, 0,50)
      Indicateur de qualité du lien (LQI) - Bon : trapmf(0,70, 0,80, 1,0, 1,0), Modéré : trimf(0,40, 0,55, 0,70), Mauvais : trapmf(0,0, 0,0, 0,30, 0,45)
      Priorité du trafic (P) - Non critique : trimf(0,0, 0,0, 0,1), Critique : trimf(0,9, 1,0, 1,0)
      Fonctions d’appartenance à la sortie - Puisque Sugeno ANFIS utilise des sorties linéaires nettes :
      A* (profondeur d’agrégation) = a1·entrées + a0, découpé à [1,6], W* (poids prioritaire) = w1·entrées + w0, découpé à [0,3,0,8], R* (facteur de débit) = r1·entrées + r0, coupé à [−0,20, +0,10]
    4. Formulation de la base de règles : Une base de règles complète comprend généralement 15 à 25 règles, selon les limites de calcul. Fixez un sous-ensemble de règles typique comme
      Si B = élevé ET C = élevé → réduire A*, augmenter W*, réduire R*
      Si B = moyen ET E = élevé ET P = critique → modéré A*, augmenter W*
      Si LQI = mauvais → augmenter A* (pour réduire les retransmissions)
      Si E = faible → réduire R*, réduire A* (conservation d’énergie)
      Si C = faible ET P = critique → fixer W* élevé
      Si B = élevé ET LQI = bon → réduire A*, augmenter R*
      REMARQUE : Distinctivité du système de règles neuro-floues. Le système de règles floues diffère des schémas conventionnels de contrôle de la congestion de deux manières :
      Couplage multi-entrées : Il prend conjointement en compte l’occupation de la file d’attente, l’utilisation du canal, la profondeur d’agrégation et les métriques de priorité aux paquets rarement combinées dans les contrôleurs WSN flous existants.
      Réglage neuro-adaptatif des règles : Les règles initiales sont définies par des experts mais optimisées ensuite grâce à l’apprentissage ANFIS, mettant à jour les forces des règles et les paramètres de sortie pour correspondre aux conditions réelles du réseau. Les règles représentatives utilisées incluent :
      SI l’occupation de la file d’attente est élevée ET que l’utilisation du canal est élevée, ALORS réduisez le débit de transmission et augmentez la profondeur d’agrégation.
      SI l’occupation de la file est moyenne ET la priorité élevée ALORS augmentez le poids de la planification.
      SI l’énergie résiduelle est faible ALORS limiter les retransmissions et réduire la pression de la queue.
      Ces ajustements dynamiques des règles permettent une atténuation de la congestion plus réactive que les systèmes flous statiques.
    5. Définir et ajuster les fonctions et règles d’appartenance. Premièrement, mettez en place les fonctions d’adhésion floues basées sur les plages empiriques des tendances simulées NS-2 réalisées en tant qu’étude préliminaire. Ces tendances incluent l’occupation des tampons, l’utilisation du canal, l’énergie résiduelle et les distributions de la LQI. Ensuite, ajustez ces fonctions d’appartenance via la procédure d’entraînement ANFIS, où la descente du gradient est utilisée pour optimiser à la fois les frontières MF ainsi que les paramètres de sortie Sugeno. Faites la base initiale floue de règles à partir des heuristiques dérivées par les experts. Ensuite, entraînez le système neuro-adaptatif jusqu’à ce que les poids et paramètres des règles soient mis à jour en raison des schémas de trafic représentatifs, permettant ainsi leur ajustement.
    6. Évaluer l’empreinte computationnelle du NFDE pour déterminer s’il convient aux nœuds capteurs de classe IoT. Suivez le temps d’inférence, qui est généralement d’environ 1,2 à 1,8 ms sur un microcontrôleur Cortex-M4 fonctionnant à 72 MHz. Assurez-vous que la consommation mémoire de toutes les fonctions d’appartenance et paramètres de règles ne dépasse pas 40 Ko. Effectuez toute la formation ANFIS hors ligne et non sur les nœuds capteurs. Pour maintenir une adaptabilité en temps réel avec une charge de calcul très faible, seule la partie légère d’inférence doit être utilisée lors du déploiement.
    7. Procédure d’entraînement : Entraîner NFDE hors ligne à l’aide de l’algorithme hybride ANFIS
      Passe avant (estimation des moindres carrés) : Détermine les paramètres linéaires des règles de Sugeno.
      Passage arrière (Descente en gradient) : Met à jour les paramètres MF non linéaires.
      1. Définir les paramètres d’entraînement comme taille du jeu de données d’entraînement : 15 000 échantillons générés à partir d’états de trafic simulés, Époques : 50, Taux d’apprentissage (α) : 0,01, Tolérance à l’erreur : 1 x 10 ⁻⁴ , Arrêt précoce : 3 époques consécutives sans amélioration, Objectif d’optimisation : minimiser le RMSE entre la sortie NFDE et les profils de contrôle de terrain réels.
  6. La congestion est révélée à la fois par des indicateurs de niveau de condition et de sous-état. Distinguez la congestion au niveau des nœuds en inspectant les niveaux d’occupation de la file, le taux de croissance de la file et les événements de perte de paquets lorsque l’IFQ approche de sa limite de capacité. Déduire la congestion au niveau du canal à partir d’augmentations soutenues des périodes de pointe MAC, des longs intervalles de retrait et de la probabilité croissante de collision. Ces signaux sont constamment transmis au moteur de décision neuro-flou qui détermine la gravité de la congestion et met en place des mesures de contrôle autonomes.
  7. Lors de la détection de congestion, le NFDE élargit l’agrégation pour réduire les transmissions de paquets, reconfigurer les poids de planification pour la criticité du trafic, et diminuer le débit de transmission pour normaliser la file d’attente. Gardez le mécanisme de détection séparé de la couche applicative, afin que la gestion de la congestion soit maintenue même si le trafic est d’un autre type.
  8. Mettez à jour les paramètres tous les 1 à 2 secondes pour une réactivité quasi en temps réel. Utilisez le tableau 3 pour référencer les paramètres de la fonction d’appartenance, les plages de sortie et les règles floues représentatives appliquées dans le moteur de décision neuro-flou. Consultez les valeurs numériques de MF listées, les limites de sortie Sugeno et les exemples de règles de décision pour reproduire fidèlement l’inférence et le comportement d’adaptation du contrôleur.
  9. Effectuez l’analyse en quatre étapes majeures :
    Configuration : Préparez NS-2.35, des outils d’analyse Python, et générez des topologies réseau et des schémas de trafic.
    Réglage des paramètres : Configurez la profondeur d’agrégation, les poids de planification, les paramètres de file d’attente d’interface, ainsi que les fonctions d’appartenance NFDE et les paramètres d’apprentissage.
    Exécution de la simulation : Exécuter tous les scénarios sur plusieurs densités de nœuds et charges de trafic, collecter les fichiers de traces NS-2 complets et enregistrer les événements clés incluant l’enqueue, la déqueue, le drop, la livraison et les états d’énergie.
    Analyse : Extraire PDR, latence, débit, énergie et durée de vie à l’aide de scripts Python et calculer la signification statistique à travers les bases de base.
    REMARQUE : Ce flux de travail fournit une séquence claire et reproductible, de la configuration à l’analyse, illustré dans la Figure 1.

Tableau 3 : Fonctions d’appartenance floues, plages de sortie et règles représentatives utilisées dans le moteur de décision neuro-flou. Les cinq variables d’entrée possèdent toutes des fonctions d’appartenance triangulaire et trapézoïdale, et le tableau donne les paramètres numériques exacts pour celles-ci. Le tableau indique également les portées opérationnelles des sorties de type Sugeno. Des règles floues représentatives démontrent comment le système interprète les conditions réseau pour ajuster la profondeur d’agrégation, les poids de planification de la file d’attente et l’échelle du débit de transmission. Parmi les paramètres de reproductibilité figurent les comptes de MF, la taille du jeu de règles, le taux d’apprentissage et l’intervalle de mise à jour, qui facilitent une réplication directe du NFDE. Veuillez cliquer ici pour télécharger ce tableau.

Figure 1
Figure 1 : Architecture du protocole intelligent de contrôle de congestion pour les réseaux de capteurs sans fil compatibles IoT. Le flux de travail intégré complet de la politique de contrôle de la congestion hybride est illustré dans ce schéma. Les mesures d’état du réseau — occupation du tampon, utilisation du canal, énergie résiduelle, qualité de liaison et priorité au trafic — sont intégrées dans la couche de fonction d’appartenance et au Neuro-Fuzzy Decision Engine, qui génère ensuite des variables de contrôle adaptatives telles que la profondeur d’agrégation, le poids de planification et l’ajustement du débit de transmission. Ces variables contrôlent le module d’agrégation hybride et le module d’ordonnancement adaptatif, permettant ainsi des métriques de trafic optimisées conjointement : un taux de livraison de paquets plus élevé, une latence plus faible, une consommation d’énergie réduite et une durée de vie réseau prolongée. Abréviations : NF = Neuro-Fuzzy, PDR = Rapport de livraison de paquets, WRR = Round Robin pondéré, WSN = Réseau de capteurs sans fil, IoT = Internet des objets, AQM = Gestion active de files d’attente (si applicable), RSSI = Indicateur de force du signal reçu (si applicable). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

4. Détails du jeu de données

REMARQUE : Le jeu de données de simulation utilisé dans cette étude a été généré en interne à l’aide de l’environnement NS-2.35 et n’est pas déposé dans un dépôt public en raison de contraintes de taille de fichier. Cependant, tous les fichiers de configuration, scripts TCL, code NFDE et scripts d’analyse Python nécessaires pour reproduire le jeu de données sont disponibles publiquement dans le dépôt GitHub suivant : https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. Les chercheurs peuvent régénérer l’ensemble de données en exécutant les fichiers de configuration et scripts fournis. Des fichiers de données supplémentaires peuvent être mis à disposition auprès des auteurs sur demande raisonnable.

  1. Préparez le jeu de données en générant des fichiers de configuration, des listes de graines aléatoires, des fichiers de traces NS-2 bruts, des résultats CSV traités et des scripts Python pour l’analyse et la visualisation des traces.
  2. Clarification de la source du jeu de données :
    1. Générez l’ensemble de l’ensemble des données en utilisant la plateforme de simulation NS-2.35 plutôt que de l’obtenir auprès de dépôts externes ou publics.
    2. Configurez NS-2.35 pour générer des fichiers traces bruts pour chaque exécution de simulation, incluant enqueue, déqueue, abandon, livraison, événements MAC et journaux d’énergie au niveau des nœuds.
    3. Créez toutes les topologies, les schémas de trafic et les paramètres de façon programmatique dans le cadre du flux de travail de simulation. Assurez-vous que chaque scénario génère environ 20 Mo de données brutes de trace et stockez toutes les sorties expérimentales dans le répertoire du projet.
    4. Traitez ces fichiers trace à l’aide de scripts Python pour extraire le ratio de livraison des paquets, la latence, le débit, la consommation d’énergie et les métriques de durée de vie du réseau.
    5. Aucun jeu de données tiers ou externe n’est utilisé dans cette étude.
  3. Couvrir 75 scénarios à travers densités de nœuds, intensités de trafic et graines aléatoires.
  4. Attendez-vous à environ 20 Mo de données brutes et 1 à 2 Mo de résultats traités par scénario, ce qui donne une taille totale de jeu de données d’environ 2 Go.

5. Exécution de la simulation

  1. Exécutez chaque simulation pendant 900 s. Comparez le protocole proposé avec trois alternatives : un schéma uniquement d’agrégation, un schéma uniquement de planification et la base PCCP.
  2. Utilisez des topologies réseau identiques et des graines aléatoires à travers tous les protocoles pour garantir la comparabilité. Collectez les fichiers traces de chaque exécution et organisez-les dans le répertoire des résultats par densité de nœuds, charge de trafic et type de protocole.

6. Analyse des données

  1. Analysez les fichiers de trace avec des scripts Python pour calculer le ratio de livraison des paquets, la latence de bout en bout, le débit, la consommation d’énergie par nœud et la durée de vie du réseau (temps jusqu’à la première mort du nœud et 50 % de mort du nœud).
  2. Résultats moyens sur cinq courses et les rapporter en moyenne ± intervalle de confiance de 95 %.
  3. Appliquer des tests t appariés pour les données normalement distribuées et les tests de rang signé de Wilcoxon sinon, et considérer les différences significatives à p < 0,05.

7. Directives opérationnelles pour l’utilisation des logiciels

  1. Exécution de NS-2 et invocation du script Tcl
    1. Utilisez NS-2.35 pour exécuter des scénarios de simulation en utilisant le fichier Tcl fourni (hybrid_protocol.tcl).
      Exécutez un seul scénario :
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      Drapeaux : -nn (nœuds), -seed (seed), -traffic (cbr|bursty), -out (fichier trace).
      Exécution par lots : ./configs/run_experiment.sh
  2. Scripts Python pour l’analyse syntaxique de traces et l’extraction métrique
    1. Analysez une trace
      Python analysis/parse_ns2.py traces/out_300_seed3.tr --O results/metrics_300_3.csv
    2. Indicateurs agrégés
      Analyse Python/Résultats compute_metrics.py --Résultats Résumés/summary_all.csv
    3. Générer des graphiques
      Analyse Python/Résultats plot_metrics.py/summary_all.csv --Chiffres de sortie/
  3. Formation et inférence NFDE
    1. Générer des données d’entraînement
      Python NFDE/anfis_train.py --Générer 15000 --Sortie 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. Exécuter l’inférence NFDE
      python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. Résultats attendus

  1. Démontrer une performance supérieure du protocole proposé par rapport aux schémas de référence6, 7, 13, 14, 17, 24. Maintenir des ratios de livraison de paquets élevés même sous une forte congestion, réduire la latence de bout en bout grâce à un ordonnancement adaptatif et maintenir un débit plus élevé en contrôlant les transmissions redondantes.
  2. Affichez une meilleure efficacité énergétique et une durée de vie réseau plus longue grâce à une réduction des retransmissions et une répartition équilibrée des charges.
  3. Mettez en avant la pertinence de ce protocole pour les WSN compatibles IoT dans les domaines de la santé, l’IoT industriel et les applications de villes intelligentes où une livraison de données rapide et fiable est essentielle.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Le schéma PRAM était réalisable dans un environnement de réseau de capteurs sans fil avec une communication en un seul saut et une taille tampon limitée. Les expériences ont été menées avec des taux de trafic différents, et la performance du schéma a été comparée à celle de l’Aloha traditionnel et d’une variante de l’Aloha en arbre (T-Aloha) en termes de débit, de délai d’accès moyen et de nombre moyen de tampons non vides. Les résultats ont clairement démontré que le schéma proposé a obtenu des performances supérieures ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Les résultats démontrent que le contrôle de la congestion a été significativement amélioré dans les réseaux de capteurs sans fil compatibles IoT grâce à l’intégration de l’agrégation hybride, de la planification adaptative et de l’adaptation neuro-floue. En fait, il a été démontré que le nouveau protocole offre de meilleures performances que les bases de base uniquement agrégation, planification et PCCP en termes de livraison de paquets, de latence, de débit, d’efficacité énergétique et ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs déclarent qu’ils n’ont aucun intérêt financier concurrent ni relations personnelles qui auraient pu influencer le travail rapporté dans ce manuscrit.

Remerciements

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

Les auteurs reconnaissent chaleureusement le soutien apporté par l’Université Vishwakarma de Pune aux installations de recherche et à l’assistance administrative tout au long du développement de ce travail. Les auteurs remercient également le Département de génie informatique pour avoir fourni l’infrastructure informatique nécessaire à la simulation et à l’analyse. Cette recherche n’a reçu aucune subvention spécifique d’une agence de financement dans les secteurs public, commercial ou à but non lucratif. Les grands outils de modèles de langage étaient utilisés uniquement pour le polissage et la mise en forme du langage. Tout le contenu scientifique, les méthodes et les analyses ont été entièrement développés par les auteurs. Tout le texte généré par l’aide de l’IA a été examiné et validé pour en assurer l’exactitude.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Module Aqua-Sim (optionnel)Dépôt d’extension NS2&ndash ;Utilisé si des scénarios WSN sous-marins sont testés
Ordinateur de bureau/ordinateur portable (Intel i5/AMD Ryzen 5, &ge ; 8 Go de RAM, &ge ; 20 Go de stockage)Disponible dans le commerce&ndash ;Utilisé pour exécuter toutes les simulations
Compilateur GNU C/C++, Tcl/TkDépôt Ubuntu&ndash ;Nécessaire pour compiler NS-2
MATLAB R2022a (optionnelle)MathWorkshttps://www.mathworks.comUtilisé pour la modélisation ANFIS/fuzzy si préférable
Simulateur réseau NS-2.35Projet ISI/NS2https://www.isi.edu/nsnam/ns/Environnement de simulation central
Résultats traités (.csv)Généré dans cette étude-Métriques calculées : PDR, délai, débit, énergie, durée de vie
Python 3.10 (NumPy, SciPy, Pandas, Matplotlib)Fondation Python Softwarehttps://www.python.orgUtilisé pour l’analyse et le tracé
Scripts d’analyse PythonGénéré dans cette étude-Scripts pour analyser les traces et générer des graphiques
Fichiers de traces bruts NS-2 (.tr)Généré dans cette étude-Contient des événements de transmission au niveau des paquets et d’énergie
Fichiers de configuration de simulation (topologie, modèles de trafic, graines aléatoires)Généré dans cette étude-Nécessaire pour la réplication des expériences
Ubuntu Linux 22.04 LTSCanonical Ltd.https://ubuntu.comSystème d’exploitation pour NS-2

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

R seaux IoTOrdonnancement AdaptatifContr leur Neuro FlouTaux de Livraison des PaquetsLatence de Bout en BoutConsommation nerg tiqueDur e de Vie du R seau
Vidéo bientôt disponible

Articles connexes