מאמר שיטה

מנגנון בקרת עומס חכם לרשתות חיישנים אלחוטיות מבוססות IoT באמצעות טכניקת אגרגציה ותזמון היברידית

DOI:

10.3791/69909

⸱

13 בינואר 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

במאמר זה

סיכום

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

פרוטוקול זה מציג שיטת שליטה חכמה בגודש עבור WSN המופעל ב-IoT, תוך שימוש בטכניקת אגרגציה ותזמון היברידית, המשולבת בשכבת החלטה נוירו-מטושטשת. המערכת המוצעת משפרת את אספקת המנות, העיכוב, התפוקה ויעילות האנרגיה, ובכך מאריכה את חיי הרשת תוך הבטחת איכות איכות (QoS) במקרה של עומסי IoT משתנים.

תקציר

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

עומס ברשתות חיישנים אלחוטיות מבוססות IoT (WSNs) פוגע באספקת חבילות, השהיה וצריכת אנרגיה, ופוגע ברשת, במיוחד בתנאי תעבורה מתפוצצת והטרוגנית. פרוטוקול זה ממחיש טכניקת שליטה חכמה בעומס שמשלבת אגרגציה היברידית של נתונים, תזמון אדפטיבי ומנוע החלטות נוירו-פאזי כדי להתמודד ביעילות עם עומס הרשת. השיטה כוללת תחילה יצירת נתוני סימולציה, יצירת טופולוגיות של צפיפויות צמתים שונות, והגדרת דפוסי תנועה באמצעות NS-2.35. מתקבלות עקבות חבילות לכל תרחיש כדי לאפשר הערכה שחוזרת. תהליך הפרוטוקול מתייחס לשילוב של שני מנגנונים: (1) אגרגציה היברידית, שמאחדת חבילות בחלונות מבוססי זמן וספירה תוך שמירה על תוויות עדיפות, ו-(2) תזמון אדפטיבי, המטפל בתור עדיפות כפול באמצעות סיבוב משוקלל. בקר נוירו-מטושטש תמיד מעריך תפוסת מאגר, איכות קישור, ניצול ערוצים, אנרגיה שאריתית ועדיפות תעבורה. בהתבסס על קלטים אלו, הוא מווסת עומק הצטברות, משקלי תור והחלטות שידור באמצעות הסקה מטושטשת ולמידה נוירו-אדפטיבית. משימות מדידת ביצועים כוללות חישוב יחס אספקת חבילות, השהיה מקצה לקצה, קצב תפוקה, צריכת אנרגיה ברמת הצומת ואורך חיי הרשת. ניתוחים סטטיסטיים מתבצעים במספר ריצות כדי לבדוק את אמינות התוצאות. הגישה מראה ביצועים טובים יותר בסימולציה בהשוואה לסכמות הבסיס. פרוטוקול זה מציע מסגרת ניתנת לשחזור לחקר שיטות שליטה היברידיות בעומס שמאפשרות פעולה חסכונית באנרגיה, ניתנת להרחבה ומודעת לאיכות איכות בסביבות WSN מבוססות IoT.

מבוא

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

הצמיחה העצומה של האינטרנט של הדברים (IoT) חייבה פריסה של מיליארדי מכשירים מקושרים, מתוכם רשתות חיישנים אלחוטיות (WSNs) משמשות לספק ניטור בזמן אמת ותמיכה בקבלת החלטות ברוב המקרים 1,2. רשתות אלו הופכות למבנים המרכזיים של מערכות מבוססות IoT בתחומים שונים לחלוטין, כגון ניטור בריאות3, ערים חכמות4, חקלאות מדויקת5, אוטומציה תעשייתית6, וחישה סביבתית7. WSNs מורכבים מצמתים של חיישנים עם משאבים מוגבלים כגון רוחב פס, אנרגיה וכוח חישוב. המגבלות מחמירות את הבעיה, שכן תעבורת IoT גם דינמית ומתפוצצת מאוד, ולכן הרשתות שהוזכרו רגישות מאוד לעומס8.

פרוטוקול זה רלוונטי במיוחד לפריסות IoT בקנה מידה בינוני עד גדול (150-750 צמתים) שמייצרות תעבורה מעורבת תקופתית ומתפרצת תחת מגבלות אנרגיה קפדניות. מצבים כאלה נמצאים לעיתים קרובות בניטור בריאות, חישה של ערים חכמות ומערכות אוטומציה תעשייתית, שבהן עדיין יש צורך להבטיח אספקה אמינה ותקשורת עם השהיה נמוכה למרות המשאבים המוגבלים של צמתים9.

עומס ב-WSNs עלול לפגוע קשות בקיבולת ביצועי הרשת בדרכים שונות, כולל הפלת חבילות, עיכובים מוגברים בתור, ירידה בתפוקה והתרוקנות אנרגטית מואצת 8,10. בתרחישי IoT קריטיים למשימה, למשל רפואה מרחוק או סיוע באסונות, עיכוב או אובדן חבילות הנגרם מעומס יכולים לגרום לתוצאות קטלניות11,12. שיטות בקרת העומס הנוכחיות הן בשלוש קטגוריות עיקריות: סכמות מבוססות תנועה (הגבלת קצב מקור, בקרת לחץ אחורה)13,14, סכמות מבוססות אגרגציה (שילוב נתונים ברשת)15,16, ותוכניות מבוססות תזמון (תור עדיפות, הקצאת ערוצים)9,17. לכן, טכניקות אלו מגיעות לרמת הצלחה מסוימת אך גם יש להן חסרונות כאשר משתמשים בהן לבד. לדוגמה, שיטות מבוססות תעבורה לעיתים קרובות אשמות בהחמרת ביצועי היישום בשל הפחתת קצב המקור באופן לא סלקטיבי. שיטות מבוססות אגרגציה מבטלות יתירות אך מוסיפות עיכוב לזרימות הקריטיות לזמן. בעוד שאסטרטגיות מבוססות תזמון יכולות להעלות את רמת ההוגנות, הן לא יכולות לפעול ביעילות ללא נוכחות של עומסי תנועה גבוהים אחרים6.

בהשוואה לתכניות התעבורה בלבד, האגרגציה בלבד, ותזמון בלבד, בקרה נוירו-פאזית היברידית מספקת פשרה מאוזנת יותר בין אמינות אספקת חבילות, השהיה וצריכת אנרגיה. על ידי ויסות משותף של עומק האגרגציה ועדיפות תזמון בהתבסס על מצב הרשת בזמן אמת, הגישה המוצעת מפחיתה עומס בצורה יעילה יותר תחת עומסי IoT כבדים והטרוגניים18.

מוטיבציה למחקר
רשתות חיישנים אלחוטיות המבוססות על IoT מייצרות תעבורה הטרוגנית ולעיתים מתפוצצת, מה שהופך אותן לפגיעות לעומס, הצפת תורים ושידורים מופרזים. תוכניות קיימות מבוססות תעבורה, אגרגציה בלבד או תזמון בלבד אינן מצליחות להשיג איזון בין אספקת חבילות, השהיה וצריכת אנרגיה בתנאי עומס דינמיים19,20. בהשראת מגבלות אלו, מחקר זה מציג פרוטוקול היברידי לבקרת עומס המשלב אגרגציה אדפטיבית, תזמון מודע לאיכות איכות השירות וקבלת החלטות נוירו-פאזית, כדי לספק ביצועים אמינים, מודעים לדיחויים ויעילים באנרגיה בסביבות צפופות של IoT-WSN.

עבודות עדכניות הדגישו את הפוטנציאל של מנגנונים היברידיים המשלבים אגרגציה ותזמון כדי לאזן בין קצב תפוקה, השהיה ויעילות אנרגטית21,22. שיטות אדפטיביות המשתמשות בלוגיקה מטושטשת, למידת חיזוק או הסקה נוירו-מטושטשת משפרות עוד יותר את התגובה למצבי רשת דינמיים 23,24,25,26. עם זאת, רוב השיטות הנוכחיות תלויות בספים סטטיים, מגבירות את העומס החישובי שאינו מתאים לצמתים מוגבלים במשאבים, ואינם עמידים תחת עומסי IoT הטרוגניים 27,28. לכן, הביקוש למנגנוני שליטה חכמים בעומס שהם קלים, אדפטיביים ומסוגלים להגיב לשינויים בתעבורה תוך הארכת חיי הרשת עדיין גבוה מאוד.

נערכו מחקרים שונים להדגשת אמינות, שיפור איכות השירות ותכונות טיפול מאובטחות בנתונים במערכות אינטרנט מבוססות IoT. שיטות זיהוי ושחזור תקלות מודעות לאנרגיה29,30 נמצאו כמגבירות את החוסן והביצועים מקצה לקצה בסביבות משתנות31. פרוטוקולי בלוקצ'יין קלים יכולים לשמש לאבטחת תקשורת נתונים באבטחה נוספת ביישומי IoT-WSN. יישום שיטות זיהוי תקלות היררכיות מבוססות כללים מסייע גם בשמירה על איכות השירות בפריסת חיישנים המוגבלת במשאבים. שיפורים אלו מצביעים על הביקוש לפתרונות בקרת עומס שניתן לשלב עם אמינות, אבטחה ושימוש יעיל במשאבים במערכות IoT מודרניות.

בעוד שטכניקות בקרת עומס עבור WSNs נחקרו נרחב, רוב הפתרונות הקיימים מתחשבים רק במנגנונים חד-שכבתיים – אחד של התאמת קצב התעבורה, אגרגציה או תזמון15. עם זאת, הפרוטוקול המדובר כולל מנגנון אדפטיבי רב-שכבתי שבו אגרגציה היברידית, תזמון מודע לעדיפות וקבלת החלטות נוירו-פאזית משתפים פעולה ומעדכנים זה את זה באופן רציף. בניגוד לשיטות הסטנדרטיות עם טושטש בלבד, ה-NFDE משתמש בכוונון נוירו-אדפטיבי מונחה ANFIS, וכך מאפשר שינויים מיידיים בפונקציות החברות ובפרמטרי החוק בהתאם לדפוסי התעבורה בפועל. הפרוטוקול המוצע שונה משמעותית מהמודלים האחרים בזכות תיאום משולב חוצה שכבות זה יחד עם חישוב קל משקל המתאים לחומרת IoT.

לפני מאמר זה, נערכו שפע של מחקרים על עומס ב-WSNs, כפי שניתן לראות בסקרים רבים המדווחים על מאות אלגוריתמים המטפלים בעומס ברמות הקישור, הצפה של הבופר או ברמות המאבק הבינוני. רוב הפתרונות תוכננו להתמודד עם בעיות אלו בשכבת פרוטוקול אחת, בעוד שנושא בקרת העומס האדפטיבית הרב-שכבתית כמעט ולא טופלב-9,21. המחקר הנוכחי ממלא את החלל על ידי שילוב התאמה בין שכבות עם מודול נוירו-פאזי קל משקל לחומרה מסוג IoT.

בהתחשב בבעיות אלו, המחקר הציג מנגנון חכם לשליטה בגודש שיכול לשלב טכניקות אגרגציה ותזמון היברידיות עם מנוע החלטה נוירו-מטושטש עבור WSN מוכנים ל-IoT. רכיב האגרגציה מפחית שידורים מיותרים באמצעות שימוש בחלונות מבוססי זמן וחלונות ספירת חבילות. רכיב התזמון מבטיח הוגנות ועמידה באיכות השירות באמצעות המסלול המשוקלל בין התורים הכפולים לזרימות קריטיות ולא-קריטיות. מנוע הנוירו-פאזי עוקב אחרי משתני מצב הרשת הראשיים, מבצע באפר משותף תפוסה, ניצול ערוצים, אנרגיה שאריתית, איכות הקישור ועדיפות התעבורה. באמצעות כללי הסקה מעורפלים המוגברים בלמידה נוירו-אדפטיבית, הבקר משנה את עומק ההצטברות, משקלי תזמון וקצב ההעברה. מערכת סגורה כזו מאפשרת לפרוטוקול להיות גמיש מספיק במצבי עומס בזמן אמת.

הקמנו את שאלות המחקר המרכזיות, שעזרו לנו להגדיר את היקף המחקר ואת חשיבות המחקר, כדי שנוכל להציג אותן בצורה ברורה. שאלות המחקר שהנחו את המחקר הן כדלקמן:
RQ1: כיצד אגרגציה ותזמון היברידיים יכולים להפחית עומס במערכות WSN מבוססות IoT בצורה יעילה יותר מאשר שיטות עצמאיות?
RQ2: איזה תפקיד ממלא מנוע החלטות נוירו-פאזי בהסתגלות למצבי רשת תחת עומסי תעבורה משתנים?
RQ3: כיצד הפרוטוקול המוצע משפר את יחס אספקת החבילות, השהיה, התפוקה ויעילות האנרגיה בהשוואה לשיטות בקרת עומס מסורתיות?
RQ4: האם הפרוטוקול המוצע יכול להאריך את חיי הרשת תוך שמירה על איכות שירות בין יישומי IoT מגוונים?

התרומות של מחקר זה הן בארבעה תחומים. הטיעון המרכזי הוא מסגרת היברידית של אגרגציה ותזמון עם התאמה נוירו-פאזית לשליטה בגודשים במערכות WSN מבוססות IoT. הנקודה השנייה היא שהיא מיישמת מסגרת סימולציה ניתנת לשחזור כדי לבדוק את הביצועים תחת גדלי רשת ועוצמות תעבורה שונים. שלישית, הוא מראה את ההתקדמות המדידה באספקת חבילות, השהיה, קצב העברה, יעילות אנרגטית ואורך החיים יחסית לקווי הבסיס. בסופו של דבר, הוא מציע נתונים, קבצי קונפיגורציה וסקריפטי ניתוח לפתיחות ושחזור.

השיטות השונות לבקרת עומס, כולל רק מטושטשת, אגרגציה בלבד, תזמון בלבד ומבוססת DRL, נושאות מגבלות, שהעבודה המוצעת מתמודדת איתן באמצעות איגוד רב-שכבתי של התאמה והיברידית, תזמון אדפטיבי בתור כפול, ומנוע החלטות נוירו-מטושטש, כולם משולבים במסגרת אחת קלה וידידותית לחומרה. בניגוד לשיטות מבוססות DRL, שהן יקרות חישוב ולוקחות זמן רב להתכנס, שכבת הנוירו-פאזי המוצעת יכולה לבצע את הפעולות כמעט בזמן אמת עם צריכת אנרגיה ומעבד נמוכים בהרבה; לכן, הוא אידיאלי לצמתים חיישנים מסוג IoT. שיטות שונות לבקרת עומס הושוו בטבלה 1 יחד עם השיטה המוצעת.

טבלה 1: השוואה בין גישות קיימות לבקרת עומס לבין השיטה המוצעת. טבלה זו מפרטת את התכונות, היתרונות והמגבלות החשובים ביותר של קטגוריות שונות של שיטות בקרת עומס ברשתות חיישנים אלחוטיות, כגון שיטות מטושטשות בלבד, אגרגציה בלבד, תזמון בלבד ושיטות מבוססות DRL. הוא מדגיש את הייחודיות של השיטה המוצעת בשילוב אגרגציה היברידית, תזמון עדיפות אדפטיבית ומנוע החלטות נוירו-מטושטש קל להציע התאמה רב-שכבתית עם עלות חישובית נמוכה. ההשוואה ביניהם מראה שהפרוטוקול שהוצג מסוגל להשיג PDR טוב יותר, השהייה נמוכה יותר, קצב העברה מאוזן ויעילות אנרגטית מוגברת, ועדיין תואם למכשירי IoT-WSN מוגבלים במשאבים. אנא לחצו כאן להורדת הטבלה הזו.

עבודות קשורות
מחקרים עדכניים על בקרת עומס ברשתות חיישנים אלחוטיות (WSNs) המופעלות ב-IoT, מראים שטכניקות חד-שכבתיות – אגרגציה טהורה, הגבלת תנועה או תזמון – אינן מספקות תחת עומסי תנועה הטרוגניים ומתפוצצים הגורמים להצפת מאגר, התנגשויות ובזבוז אנרגיה חמור¹-⁵. תוכניות איגוף-תזמון היברידיות זכו לפרסום בהפחתת שידורים מיותרים ובוויסות תחרות כאשר צפיפות הצמתים מדרגות 6,7,8,10. וריאציות חוצות שכבות משלבות ניתוב, אשכולות ותזמון ברמת MAC לייצוב זרימות קונברגקאסט ועומסי עבודה מעורבים של QoS 11,12,13, בעוד שטריגרים מטושטשים או היוריסטיים מתאימים את עומק האגרגציה ואת משמעת השירות בהתבסס על אותות עומס מקומיים 14,15,16. טכניקות חישוב רך משפרות עוד יותר את התגובתיות: בקרים מטושטשים מסיקים מצבי תור מתפוסת בופר, איכות קישור ושידורים חוזרים 9,17,21; מערכות נוירו-פאזיות משפרות זאת על ידי למידת משקלי כללים לאופטימיזציה מרובת מטרות ביחס אספקת מנות (PDR), השהיה, קצב העברה וצריכת אנרגיה 22,23,24. במקביל, גישות למידה מחוזקת עמוקה (DRL/RL) מנהלות בקרת קצב, מטמון ולוח זמנים 25,26,27,28, ומסגרות מבוססות גנרטיבי/אופטימיזציה משנות אשכולות ונתיבים תחת לחץ תוך כיוונון התנהגות תעבורה מקומית²9. בגישות המגוונות הללו, היברידים חכמים עולים בעקביות על שיטות סטטיות על ידי צמצום פליטות תורים, ייצוב חלונות תחרות, הפחתת עיכובים ושיפור התפוקה ויעילות האנרגיה בתנאי תנועה משתנים 8,9,12,24,25,26,27,28,29,30 ,32,33,34.

קו עבודה מקביל מתמקד בשיפור חיי הרשת ואיכות השירות על ידי התאמת פרמטרי בקרת העומס לרמות אנרגיה, תנאי קישור וסדרי עדיפויות יישום. מחקרים מראים שאגרגציה של חבילות מתואמות מפחיתה את מספר השידורים, בעוד תזמון אדפטיבי מפחית את ההתנגשות, האזנה במצב סרק וסופות התנגשות 14,17,18,27,30,32,33,34,35,36 . מנגנונים מבוססי עדיפות מגנים על תעבורת בריאות דחופה או תעשייתית תוך קצב טלמטריה לא קריטית 18,32,33,35, וניתוב, אשכולות ושליטה בקצב מטושטש/נוירו-מטושטשים ממשיכים תנודות חלקות בתרחישי עומס גבוה 33,18. התקדמויות נוספות כמו אופטימיזציה מונעת בינה מלאכותית לניתוב37, אשכולות38, ומיפוי39 המודע לעומס ארוך טווח, יחד עם זיהוי תקלות חכם40, תקשורת מאובטחת מבוססת בלוקצ'יין31, והתאוששות מודעת לאנרגיה⁴1, מדגישים את המגמה הגוברת של פתרונות עומס משולבים ומודעים להקשר. למרות ההתקדמויות הללו, רוב הגישות הקיימות עדיין חסרות מסגרת אחידה, קלה בזמן אמת, המסוגלת לתאם יחד איגגור, תזמון והתאמה חכמה בין עומסי עבודה מגוונים של IoT. פער זה מניע את פיתוח מערכת היברידית חכמה לבקרת עומס שמנצלת קבלת החלטות נוירו-פאזיות לביצועים ניתנים להרחבה, מודעות לאיכות השירות וחסכוניות באנרגיה בסביבות WSN מודרניות מבוססות IoT.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

1. הגדרת סביבת סימולציה

  1. התקן את Ubuntu 22.04 LTS על תחנת עבודה עם לפחות מעבד Intel i5, 8GB RAM ו-20GB אחסון. הגדר את הקומפיילר GNU C/C++ וספריות Tcl/Tk כדי לקמפל ולהריץ NS-2.35.
  2. התקן את Python 3.10 יחד עם NumPy, SciPy, Pandas ו-Matplotlib לניתוח וגרפיה. אפשר למודולי האנרגיה והמעקב בתור של NS-2 ללכוד אירועי תור, הסרת תור, השפלה, מסירה וצריכת אנרגיה.
  3. בצע כל ניסוי 5 פעמים באמצעות זרעים אקראיים עצמאיים כדי להבטיח שחזוריות.
  4. ארגן את תיקיית הסימולציה לתיקיות משנה עבור תצורות, סקריפטים, תוצאות וניתוח, ותשמור יומני Markdown לתיעוד תצורות ותוצאות.
    הערה: כל קבצי הקונפיגורציה של TCL, סקריפטים של מימוש NFDE וכלי ניתוח המשמשים בזרימת העבודה של הסימולציה מסופקים בקובץ המשלים 1.

2. טופולוגיית רשת ויצירת תנועה

  1. יצר טופולוגיות רשת חיישנים אלחוטיות עם 150, 300, 450, 600 ו-750 צמתים המפוזרים באופן אחיד בתוך שטח פריסה של 600 x 600 מ"ר.
  2. אתחול כל צומת עם 25 J של אנרגיה, טווח שידור של 75 מ', ורוחב פס של 250 kbps לייצוג התקנים מסוג IoT.
  3. מקם את צומת הניקוז במרכז או בגבול הרשת כדי ליצור מסלולי ניתוב הטרוגניים.
  4. הצג מודלים של תעבורה הכוללים זרימות ביט קבועות מחזוריות במהירות של 1 חבילה לשנייה ופרצים מונעי אירועים במהירות של 5-10 מנות לשנייה שנמשכות 20-30 שניות.
  5. לשלב תעבורת רקע ותעבורה בעלת עדיפות גבוהה כדי לבדוק את יכולת הפרוטוקול להבחין ולתעדף זרמים. פרמטרי סימולציה מסוכמים מוצגים בטבלה 2.
  6. פרמטרי תצורת סימולציה NS-2
    1. פרוטוקול ניתוב: השתמש בניתוב אקראי לפי דרישה (AODV) עבור כל הסימולציות. הגדר את הפרמטרים המרכזיים הבאים: מרווח Hello: 1 שנייה, זמן מסלול פעיל: 3 שניות, התחלה/מקסימום TTL: 2 / 7 קפיצות.
      הערה: AODV נבחר בשל עומס בקרה קל משקל והתאמה לטופולוגיות IoT/WSN דינמיות.
    2. תצורת MAC: השתמש בפרוטוקול MAC IEEE 802.11 DCF (פונקציית תיאום מבוזרת). הגדר את הפרמטרים החשובים הבאים: קצב בסיסי: 1 Mbps, קצב נתונים: 250 kbps (קצב נתונים מסוג WSN), RTS/CTS: כבוי (בהתאם להגדרות WSN עם צריכת חשמל נמוכה טיפוסית), CWmin = 31, CWmax = 1023, זמן חריץ = 20 מיקרושניות, SIFS = 10 מיקרושניות, DIFS = 50 מיקרושניות.
    3. תצורת תור: הגדר את סוג התור כ-PriQueue כדי לתמוך בתזמון בעדיפות כפולה, אורך התור (אורך IFQ) ל-50 חבילות. הגדר מיפוי תור כתעבורה בעלת עדיפות גבוהה לתור 1 ותעבורה רגילה לתור 2. הגדר את התנהגות התור ל-DropTail המשמש לטיפול בעודפים.
    4. מודל התפשטות: בחר ב-TwoRayGround לסביבות חיצוניות טיפוסיות של IoT/WSN שבהן אובדן המסלול גדל עם המרחק. הגדר פרמטרי מודל בדיקה צולבת כגובה אנטנה: 1.5 מטר, מקדם אובדן מערכת: 1.0, סף הספק מתקבל מינימלי: −95 dBm.
    5. מודלים של ממשק ואנטנה: הגדר את סוג הממשק האלחוטי כ-Phy/WirelessPhy. הגדר את תצורת ממשק הרשת הבאה: סוג תור ממשק: Queue/DropTail/PriQueue, ממשק רשת: CMUPriQueue עבור שירות מועדף. הגדר את מודל האנטנה כ-Antenna/OmniAntenna כי הוא משקף נקודות חיישן טיפוסיות (MicaZ, TelosB וכו').
    6. אורך IFQ וגודל המנות: הגדר את אורך תור הממשק (IFQLength) ל-50 מנות כי זה מבטיח שהעומס יתרחש בשיא תעבורה ריאליסטי. הגדר את פרמטרי גודל החבילה הבאים: חבילת CBR ברירת מחדל: 512 בתים, כותרת MAC: ~36 בתים, חבילת בקרה AODV: ~32 בתים. הגדר את סף הפיצול ל-None (הפיצול מושבת).
    7. הגדרות ערוץ: הגדר את סוג הערוץ ל-Channel/WirelessChannel, תדר ל-2.4 GHz ISM (תדר IoT נפוץ), רוחב פס ל-250 kbps, ודופלקסינג לחצי דו-כיוונית. הגדר את פרמטרי שכבת הקישור כאנרגיה התחלתית: 25 ג'ול, עוצמת שידור: 0.66 וואט, הספק קליטה: 0.395 וואט, כוח סרק 0.035 וואט, והספק שינה: 0.003 ואט. הגדר את רמת רעש ל-−100 dBm וסף חוש הנשא (CST) ל-−94 dBm.

טבלה 2: פרמטרי סימולציה NS-2.35 המשמשים להערכת פרוטוקול בקרת העומס המוצע. טבלה זו אוספת את כל תצורות הסימולציה ב-NS-2.35, כגון גודל שטח הפריסה, צפיפויות הצמתים, פרמטרים הקשורים לאנרגיה, תצורות MAC וניתוב, מבנה התור, מודל ההפצה, גודל החבילה וספי בקרה. הפרמטרים מבטיחים את השחזוריות המלאה של סביבת הניסוי להשוואת ביצועים של שיטות בקרת עומס היברידיות, מצטברות בלבד, תזמון בלבד ובסיס. אנא לחצו כאן להורדת הטבלה הזו.

3. ארכיטקטורת מתודולוגיה

  1. עיצוב הפרוטוקול המוצע על ידי שילוב אגרגציה היברידית, תזמון אדפטיבי ומנוע החלטות נוירו-פאזי.
  2. מימוש אגרגציה היברידית לשילוב מנות בתוך חלונות זמן או ספירת מנות תוך שמירה על תגי עדיפות לתעבורה קריטית.
  3. השתמשו בתזמון אדפטיבי לניהול שני תורים – אחד לזרימות קריטיות ואחד לזרימות לא קריטיות, והחלו תזמון סבב משוקלל עם משקלי תור מתכווננים דינמית.
  4. השתמש במנוע ההחלטות הנוירו-מטושטש כדי לנטר תפיסת בופר, ניצול ערוצים, אנרגיה שארית, איכות הקישור ועדיפות התעבורה.
  5. מיפוי קלטים אלה לפונקציות חברות מטושטשות, יישם כללי הסקה לאופטימיזציה של עומק האגרגציה ומשקלי תזמון, ומכוון החלטות מערכת באמצעות למידה נוירו-אדפטיבית.
    1. מבנה מודל NFDE: יישום מנוע ההחלטות הנוירו-פאזי (NFDE) כמערכת הסקה עצבית-ערפלית אדפטיבית מסוג סוגנו מסדר ראשון (ANFIS) עם חמישה משתני קלט ושלושה פרמטרי בקרה לפלט. המערכת משתמשת בארכיטקטורה בת חמש שכבות
      שכבה 1 - ערפול קלט: ממירה ערכי חיישנים חדים לדרגות חברות.
      שכבה 2 - חוזק שריפה של כללים: מחשב את עוצמת השריפה של כללים באמצעות הסקת תוצר.
      שכבה 3 - נרמל: נרמול חוזקות ירי.
      שכבה 4 - מונחי פלט ליניאריים: מייצרת פלטים ליניאריים משוקללים.
      שכבה 5 - אגרגציה של פלט: משלבת תוצאות ליצירת עומק אגרגציה, משקל תזמון והתאמות קצב שידור.
      לכל כלל יש את הצורה: אם (B הוא X1) ו-(C הוא X2) ו-(E הוא X3) ו-(LQI הוא X4) ו-(P הוא X5) → f = p1· B + p2· C + p3· E + p4· LQI + p5· P + p0.
      המודל מכיל 15-25 כללים בהתאם למגבלות המורכבות.
    2. משתני קלט ופלט
      1. קבע 5 משתני קלט, כלומר b תפוסת ה-uffer (B) - יחס אורך התור הנוכחי לאורך IFQ (0-1), c ניצול hannel (C) - שבר זמן תפוס MAC (0-1), r esidual energy (E) - שבר אנרגיה שנותר (0-1), מדד איכות דיו l (LQI) - הסתברות הצלחה מנורמלת (0-1), ועדיפות t רפיק (P) עם 1.0 כקריטי ו-0.0 כלא קריטי.
      2. הגדר 3 משתני פלט, כלומר, עומק אגרגציה (A*) - מספר חבילות מומלץ לאגרגציה (טווח 1-6), משקל צ'דולינג s (W*) - משקל מוקצה לתור בעדיפות גבוהה (0.3-0.8), כוונון r (R*) - קנה מידה של קצב שידור (−20% עד +10%).
    3. כל הקלטים משתמשים בפונקציות חברות משולשות או טרפזיות המוגדרות בטווח 0 - 1. הגדר את פונקציות האמברשיפ m כפי שלהלן עם טווחים מספריים.
      תפוסת בופר (B) - נמוכה: trapmf (0.0, 0.0, 0.20, 0.40), בינוני: trimf (0.30, 0.50, 0.70), גבוהה: trapmf (0.60, 0.80, 1.0, 1.0)
      ניצול ערוצים (C) - נמוך: trimf (0.0, 0.15, 0.30), בינוני: trimf (0.25, 0.50, 0.75), גבוה: trimf (0.70, 0.85, 1.0)
      אנרגיה שאריתית (E) - גבוהה: trapmf (0.70, 0.80, 1.0, 1.0), בינוני: trimf (0.40, 0.55, 0.70), נמוכה: trapmf (0.0, 0.0, 0.30, 0.50)
      מדד איכות קישור (LQI) - טוב: trapmf (0.70, 0.80, 1.0, 1.0), בינוני: trimf (0.40, 0.55, 0.70), גרוע: trapmf (0.0, 0.0, 0.30, 0.45)
      עדיפות תנועה (P) - לא קריטית: trimf (0.0, 0.0, 0.1), קריטית: trimf (0.9, 1.0, 1.0)
      פונקציות חברות פלט - מכיוון ש-Sugeno ANFIS משתמש בפלטים ליניאריים חדים:
      A* (עומק אגרגציה) = a1·קלטים + a0, חתוך ל-[1,6], W* (משקל עדיפות) = w1·קלטים + w0, חתוך ל-[0.3,0.8], R* (מקדם קצב) = r1·קלטים + r0, חיתוך ל-[−0.20, +0.10]
    4. ניסוח בסיס כללים: בסיס כללים מלא כולל בדרך כלל 15-25 כללים, בהתאם למגבלות החישוביות. הגדר תת-קבוצה טיפוסית לכלל כ-
      אם B = גבוה ו-C = גבוה → להפחית את A*, להגדיל את W*, להפחית את R*
      אם B = בינוני ו-E = גבוה ו-P = קריטי → בינוני A*, הגדל את W*
      אם LQI = גרוע → להגדיל את A* (כדי להפחית שידורים חוזרים)
      אם E = נמוך → מפחית את R*, הפחיתו את A* (חיסכון באנרגיה)
      אם C = נמוך ו-P = קריטי → הגדר W* גבוה
      אם B = גבוה ו-LQI = טוב → להוריד את A*, הגדילו את R*
      הערה: הייחודיות של מערכת החוקים הנוירו-מטושטשת. מערכת הכללים המטושטשת שונה משיטות בקרת עומס מסורתיות בשני מובנים:
      קישור מרובה קלטים: הוא בוחן במשותף תפוסת תור, ניצול ערוצים, עומק אגרגציה ומדדי עדיפות חבילות שכמעט ולא משולבים יחד בבקרי WSN מטושטשים קיימים.
      כוונון כללים נוירו-אדפטיבי: כללים ראשוניים מוגדרים על ידי מומחים אך מותאמים לאחר מכן באמצעות למידת ANFIS, ומעדכנים את חוזקות הכללים ופרמטרי הפלט כדי להתאים לתנאי רשת אמיתיים. הכללים הייצוגיים כוללים:
      אם תפוסת התור גבוהה והשימוש בתעלה גבוה, אז יש להוריד את קצב השידור ולהגדיל את עומק האגרגציה.
      אם תפוסת התור בינונית והעדיפות גבוהה, אז להגדיל את משקל התזמון.
      אם האנרגיה השארית נמוכה, אז יש להגביל שידורים חוזרים ולהפחית את לחץ התור.
      התאמות דינמיות אלו מאפשרות הפחתת עומס תגובתי יותר בהשוואה למערכות סטטיות מטושטשות.
    5. הגדר וכוונן פונקציות וכללים של חברות. ראשית, להגדיר את פונקציות החברות המטושטשות בהתבסס על טווחי המגמות האמפיריות של המגמות המדומות של NS-2 שנעשו כמחקר ראשוני. מגמות אלו כוללות תפוסה של בופר, ניצול ערוצים, אנרגיה שאריתית והתפלגויות LQI. לאחר מכן, מתאימים את פונקציות החברות הללו באמצעות הליך ההכשרה ANFIS, שבו משתמשים בירידת הגרדיאנט לאופטימיזציה הן של גבולות MF והן לפרמטרי פלט Sugeno. צור את בסיס הכללים המטושטש הראשוני מהיוריסטיקות שמקורן המומחים. לאחר מכן, לאמן את המערכת הנוירו-אדפטיבית עד שמשקלי הכללים והפרמטרים יתעדכנו בגלל דפוסי תנועה מייצגים, וכך לאפשר כוונון שלהם.
    6. הערך את טביעת הרגל החישובית של ה-NFDE כדי לקבוע האם הוא מתאים לצמתים מסוג IoT. עקוב אחרי זמן ההסקה, שבדרך כלל הוא סביב 1.2-1.8 מילישניות במיקרו-בקר Cortex-M4 הפועל במהירות 72 מגה-הרץ. ודא שצריכת הזיכרון לכל פונקציות החברות ופרמטרי החוק אינה עולה על 40 קילו-גה. בצע את כל אימוני ANFIS במצב לא מקוון ולא על צמתים של חיישנים. כדי לשמור על התאמה בזמן אמת עם עומס חישובי נמוך מאוד, יש להשתמש רק בחלק ההסקה הקל במהלך הפריסה.
    7. הליך אימון: אימון NFDE באופן לא מקוון באמצעות אלגוריתם ANFIS ההיברידי
      מעבר קדימה (הערכת ריבועים מינימליים): קובע פרמטרים ליניאריים של כללי סוגנו.
      מעבר לאחור (ירידה גרדיאנט): מעדכן פרמטרים לא ליניאריים של MF.
      1. קבע פרמטרי אימון כגודל מאגר נתונים אימון: 15,000 דגימות שנוצרו ממצבי תעבורה מדומים, תקופות: 50, קצב למידה (α): 0.01, סבילות לשגיאות: 1 x 10⁻⁴, עצירה מוקדמת: 3 תקופות רצופות ללא שיפור, יעד אופטימיזציה: מזעור RMSE בין פלט NFDE לבין פרופילי בקרת אמת קרקעית.
  6. העומס מתגלה הן על ידי מדדי רמת המצב והן על ידי מדדי רמת תת-המצב. הבחנה בין עומס ברמת הצומת על ידי בדיקת רמות תפוסה בתור, קצב גדילה בתור, ואירועי נפילת מנות כאשר ה-IFQ מתקרב למגבלת הקיבולת שלו. הסיק עומס ברמת הערוץ מעליות מתמשכות בזמן העומס ב-MAC, מרווחי נסיגה ארוכים ועלייה בהסתברות להתנגשות. אותות אלו מסופקים באופן קבוע למנוע ההחלטה הנוירו-פאזי שקובע את חומרת הגודש ומפעיל אמצעי בקרה אוטונומיים.
  7. עם זיהוי עומס, ה-NFDE מרחיב את האגרגציה כדי להפחית את שידורי החבילות, לשנות את משקלי התזמון לקריטיות בתעבורה, ולהוריד את קצב השידור כדי לנרמל את התור. שמור על מנגנון הזיהוי נפרד משכבת היישום, כך שהטיפול בעומס נשמר גם אם התעבורה מסוג שונה.
  8. עדכן פרמטרים כל 1-2 שנייה לתגובה כמעט בזמן אמת. השתמש בטבלה 3 כדי להתייחס לפרמטרי פונקציית החברות, טווחי הפלט וכללי ה-fuzzy המייצגים המיושמים במנוע ההחלטות Neuro-Fuzzy. יש להתייעץ עם ערכי MF המספריים הרשומים, גבולות פלט Sugeno וכללי החלטה לדוגמה כדי לשחזר במדויק את התנהגות ההסקה וההתאמה של הבקר.
  9. בצע את הניתוח בארבעה שלבים עיקריים:
    הגדרה: הכינו NS-2.35, כלי ניתוח פייתון, ויצירת טופולוגיות רשת ודפוסי תעבורה.
    כיוון פרמטרים: הגדרת עומק אגרגציה, משקלי תזמון, פרמטרי תור בממשק, ופונקציות חברות NFDE והגדרות למידה.
    ביצוע סימולציה: הרץ את כל התרחישים על פני צפיפויות צומת שונות ועומסי תעבורה, איסוף קבצי מעקב מלאים של NS-2, ותיעוד אירועי מפתח כולל מצבי תור, הסרת תור, השחרור, משלוח ואנרגיה.
    ניתוח: חילוץ מדדים של PDR, השהיה, קצב העברה, אנרגיה ואורך חיים באמצעות סקריפטים של פייתון וחישוב מובהקות סטטיסטית על פני קווי הבסיס.
    הערה: תהליך עבודה זה מספק רצף ברור וניתן לשחזור מהקונפיגורציה ועד הניתוח, ומוצג באיור 1.

טבלה 3: פונקציות חברות מטושטשות, טווחי פלט וכללים מייצגים המשמשים במנוע ההחלטות הנוירו-פאזי. חמשת משתני הקלט כולם בעלי פונקציות חברות משולשות וטרפזואידיות, והטבלה נותנת את הפרמטרים המספריים המדויקים עבורם. הטבלה גם מציינת את טווחי התפעול של תפוקות מסוג Sugeno. כללים ייצוגיים מטושטשים מראים כיצד המערכת מפרשת תנאי רשת כדי להתאים עומק אגרגציה, משקלי תזמון תורים וקצב שידור. בין פרמטרי השחזור נמצאים ספירות MF, גודל קבוצת חוקים, קצב למידה ותקופת עדכון, שנועדו לאפשר שכפול ישיר של ה-NFDE. אנא לחצו כאן להורדת הטבלה הזו.

איור 1
איור 1: ארכיטקטורה של פרוטוקול בקרת העומס החכם לרשתות חיישנים אלחוטיות מבוססות IoT. תהליך העבודה המשולב הכולל של מדיניות בקרת העומס ההיברידית מתואר בדיאגרמה זו. מדידות מצב הרשת - תפוסת בופר, ניצול ערוצים, אנרגיה שארית, איכות קישור ועדיפות תעבורה - מוזנות לשכבת פונקציית החברות ולמנוע ההחלטות Neuro-Fuzzy, שמייצר משתני בקרה אדפטיביים כגון עומק אגרגציה, משקל תזמון והתאמת קצב השידור. משתנים אלו שולטים במודול האגרגציה ההיברידי ובמודול התזמון האדפטיבי, ובכך מאפשרים את מדדי התעבורה המותאמים במשותף של יחס משלוח חבילות גבוה יותר, השהיה נמוכה יותר, צריכת אנרגיה מופחתת והארכת חיי הרשת. קיצורים: NF = נוירו-פאזי, PDR = יחס אספקת חבילות, WRR = רובין עגול משוקלל, WSN = רשת חיישנים אלחוטית, IoT = אינטרנט הדברים, AQM = ניהול תור פעיל (אם רלוונטי), RSSI = מדד עוצמת אות מתקבל (אם רלוונטי). אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

4. פרטי מערך הנתונים

הערה: מאגר הנתונים הסימולציה ששימש במחקר זה נוצר פנימית באמצעות סביבת NS-2.35 ואינו מופקד במאגר ציבורי עקב מגבלות גודל הקובץ. עם זאת, כל קבצי ההגדרה, סקריפטים של TCL, קוד NFDE וסקריפטי ניתוח בפייתון הנדרשים לשחזור מערך הנתונים זמינים לציבור במאגר GitHub הבא: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. חוקרים יכולים לשחזר את מערך הנתונים המלא על ידי הרצת קבצי הקונפיגורציה והסקריפטים שסופקו. ניתן לספק קבצי נתונים נוספים מהמחברים לפי בקשה סבירה.

  1. הכינו את מערך הנתונים על ידי יצירת קבצי קונפיגורציה, רשימות זרע אקראיות, קבצי מעקב גולמיים של NS-2, תוצאות CSV מעובדות, וסקריפטים בפייתון לניתוח עקבות והמחשה.
  2. הבהרת מקור מאגר הנתונים:
    1. יצירת כל מערך הנתונים באמצעות פלטפורמת הסימולציה NS-2.35 במקום לקבל אותו ממאגרים חיצוניים או ציבוריים.
    2. הגדר את NS-2.35 להוציא קבצי מעקב גולמיים לכל ריצת סימולציה, כולל enqueue, dequeue, drop, delivery, אירועי MAC ויומני אנרגיה ברמת הצמת.
    3. צור את כל הטופולוגיות, דפוסי התעבורה והגדרות הפרמטרים באופן תכנותי כחלק מזרימת העבודה של הסימולציה. ודא שכל תרחיש מייצר כ-20 מגה-בייט של נתוני עקבות גולמיים ואחסן את כל הפלטים הניסיוניים בתוך תיקיית הפרויקט.
    4. עבדו את קבצי המעקב הללו באמצעות סקריפטים של פייתון כדי לחלץ יחס אספקת חבילות, השהיה, קצב העברה, צריכת אנרגיה ומדדי חיי הרשת.
    5. במחקר זה לא נעשה שימוש במאגרי נתונים חיצוניים או חיצוניים.
  3. כיסו 75 תרחישים בצפיפות צמתים, עוצמות תנועה וזרעים אקראיים.
  4. צפו לכ-20 מגה-בייט של נתוני עקבות גולמיים ו-1-2 מגה-בייט של תוצאות מעובדות בכל תרחיש, מה שמניב גודל מערך נתונים כולל של כ-2 ג'יגה-בייט.

5. ביצוע סימולציה

  1. הרץ כל סימולציה במשך 900 שניות. השוו את הפרוטוקול המוצע לשלוש חלופות: סכמת אגרגציה בלבד, תכנית תזמון בלבד, וקו הבסיס של PCCP.
  2. השתמש בטופולוגיות רשת זהות ובזרעים אקראיים בכל הפרוטוקולים כדי להבטיח השוואה. אסוף קבצי מעקב מכל ריצה וארגן אותם בתיקיית התוצאות לפי צפיפות צמתים, עומס תעבורה וסוג פרוטוקול.

6. ניתוח נתונים

  1. ניתוח קבצי trace באמצעות סקריפטים של Python כדי לחשב יחס אספקת חבילות, השהיה מקצה לקצה, קצב העברה, צריכת אנרגיה לכל צומת ואורך חיי הרשת (זמן עד מוות הצומת הראשון ו-50% מוות של צמתים).
  2. תוצאות ממוצעות בחמש ריצות ודיווחו עליהן כממוצעות ± רווח ביטחון של 95%.
  3. יש להחיל מבחני t זוגיים עבור נתונים מבוזרים נורמלית ומבחני דירוג חתום של וילקוקסון, והתחשבים בהבדלים משמעותיים ב-p < 0.05.

7. הנחיות תפעוליות לשימוש בתוכנה

  1. ביצוע NS-2 וקריאת סקריפטים של Tcl
    1. השתמש ב-NS-2.35 כדי להריץ תרחישי סימולציה באמצעות קובץ Tcl (hybrid_protocol.tcl) שסופק.
      הרץ תרחיש יחיד:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -trafficy bursty -out traces/out_300_seed3.tr
      דגלים: -nn (צמתים), -seed (seed), -traffic (cbr|bursty), -out (קובץ עקבות).
      ביצוע אצווה: ./configs/run_experiment.sh
  2. סקריפטים בפייתון לניתוח עקבות וחילוץ מטריקה
    1. ניתוח עקבות
      ניתוח פייתון/parse_ns2.py traces/out_300_seed3.tr --o results/metrics_300_3.csv
    2. מדדים מצטברים
      ניתוח פייתון/תוצאות compute_metrics.py --סיכום תוצאות/summary_all.csv
    3. יצירת גרפים
      ניתוח פייתון/תוצאות plot_metrics.py/summary_all.csv --נתוני פלט/
  3. הכשרה והסקה של NFDE
    1. יצירת נתוני אימון
      פייתון nfde/anfis_train.py --generate 15000 --יציאה NFDE/training_data.csv
    2. רכבת NFDE
      python nfde/anfis_train.py --train nfde/training_data.csv --epochs 50 --lr 0.01 --out nfde/nfde_model.pkl
    3. הרץ הסקת NFDE
      פייתון nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. תוצאות צפויות

  1. הדגים ביצועים מעולים של הפרוטוקול המוצע על פני סכמות בסיסיות 6,7,13,14,17,24. לשמור על יחסי משלוח חבילות גבוהים גם תחת עומס כבד, הפחתת השהיה מקצה לקצה באמצעות תזמון אדפטיבי, ושמירה על קצב תפוקה גבוה יותר על ידי שליטה בשידורים מיותרים.
  2. להראות יעילות אנרגטית משופרת ואורך חיים ארוך יותר של הרשת באמצעות הפחתת שידורים חוזרים וחלוקת עומסים מאוזנת.
  3. הדגישו את ההתאמה של פרוטוקול זה ל-WSN מבוססי IoT במערכות בריאות, IoT תעשייתי ויישומי ערים חכמות, שבהם אספקת נתונים בזמן ואמין היא קריטית.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

תכנית ה-PRAM הייתה ישימה בסביבת רשת חיישנים אלחוטית עם תקשורת חד-קפיצית וגודל בופר מוגבל. הניסויים בוצעו בקצב תעבורה שונה, וביצועי התוכנית הושוו לאלו המסורתית של אלוהה וגרסה של אלוהה מבוססת עץ (T-Aloha) מבחינת קצב העברה, עיכוב גישה ממוצע ומספר ממוצע של מאגרים לא ריקים. התוצאות הראו בבירור שהתוכנית המוצעת השיגה ביצועים טובים יותר בכל המדדים הנ"ל.

כדי להראות בבירור כיצד כל מגמה ניסויית מקושרת מכנית לפרוטוקולים, אנו מציעים את הפרשנות הבאה:
יחס אספקת מנות (PDR) לעומת צפיפות צמתים
כאשר צפיפות...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

התוצאות מראות כי בקרת העומס השתפרה משמעותית ברשתות חיישנים אלחוטיות מבוססות IoT על ידי שילוב של אגרגציה היברידית, תזמון אדפטיבי והסתגלות נוירו-פאזי. למעשה, נראה כי הפרוטוקול החדש משיג ביצועים טובים יותר מאשר קווי הבסיס של אגרגציה בלבד, תזמון בלבד ו-PCCP מבחינת אספקת מנות, השהיה, קצב העברה, יעילות אנרגטית וחיי רשת בצפיפויות וצמתים שונים. למעשה, הישגים אלו משמשים כטיעון משכנע לעליונות הפתרון המשתמש במנוע החלטות חכם לתיאום של מספר מנגנונים על פני זה המשתמש בטכניקות בקרת עומס מבודדות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

המחברים מצהירים כי אין להם אינטרסים פיננסיים מתחרים או קשרים אישיים שיכלו להשפיע על העבודה המדווחת בכתב היד.

תודות

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

המחברים מודים בהכרת תודה על התמיכה שסיפקה אוניברסיטת וישווקרמה, פונה, למתקני מחקר ולסיוע מנהלי לאורך כל פיתוח העבודה הזו. המחברים גם מודים למחלקה להנדסת מחשבים על מתן התשתית החישובית הנדרשת לסימולציה וניתוח. מחקר זה לא קיבל מענק ספציפי מסוכנות מימון כלשהי במגזר הציבורי, המסחרי או הלא-רווחי. כלי מודלים גדולים שימשו אך ורק לליטוש ועיצוב שפה. כל התוכן המדעי, השיטות והניתוחים פותחו במלואם על ידי המחברים. כל הטקסט שנוצר באמצעות סיוע בינה מלאכותית נבדק ואומת לדיוק.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מודול Aqua-Sim (אופציונלי)מאגר ההרחבה של NS2–משמש כאשר נבדקים תרחישי WSN תת-ימיים
מחשב נייח/נייד (Intel i5/AMD Ryzen 5, &GE; 8 GB RAM, > אחסון 20 גיגה-בייט)זמין מסחרית–משמש להרצת כל הסימולציות
מהדר GNU C/C++, Tcl/Tkמאגר אובונטו–נדרש לקומפילציה של NS-2
MATLAB R2022a (אופציונלי)MathWorkshttps://www.mathworks.comמשמש למידול ANFIS/מטושטש אם מעדיפים
סימולטור רשת NS-2.35פרויקט ISI/NS2https://www.isi.edu/nsnam/ns/סביבת הסימולציה המרכזית
תוצאות מעובדות (.csv)נוצר במחקר זה-מדדים מחושבים: PDR, עיכוב, קצב תפוקה, אנרגיה, חיים
פייתון 3.10 (NumPy, SciPy, Pandas, Matplotlib)קרן התוכנה של פייתוןhttps://www.python.orgמשמש לניתוח ושרטוטים
סקריפטים לניתוח פייתוןנוצר במחקר זה-סקריפטים לניתוח עקבות ויצירת גרפים
קבצי מעקב גולמיים של NS-2 (.tr)נוצר במחקר זה-מכיל אירועי שידור ואנרגיה ברמת מנות
קבצי קונפיגורציה של סימולציה (טופולוגיה, מודלים של תעבורה, זרעים אקראיים)נוצר במחקר זה-נדרש לשכפול ניסויים
Ubuntu Linux 22.04 LTSקנוניקל בע"מ.https://ubuntu.comמערכת הפעלה ל-NS-2

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

IoT
הסרטון יגיע בקרוב

מאמרים קשורים