Articolo metodologico

Meccanismo intelligente di controllo della congestione per reti sensori wireless abilitate IoT utilizzando la tecnica ibrida di aggregazione e programmazione

DOI:

10.3791/69909

⸱

13 gennaio 2026

 ,  ,  ,  , 
1School of Computing, Sathyabama Institute of Science & Technology (Deemed to be University), 2Department of Computer Engineering and Technology, MIT World Peace University, 3Department of Computer Engineering, Vishwakarma University, 4Department of Electrical Engineering, San Jose State University

In questo articolo

Sommario

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

Questo protocollo introduce un metodo intelligente di controllo della congestione per la WSN abilitata all'IoT utilizzando una tecnica ibrida di aggregazione e pianificazione integrata da uno strato decisionale neuro-fuzzy. Il sistema proposto migliora la consegna dei pacchetti, il ritardo, il throughput e l'efficienza energetica, aumentando così la durata della rete e garantendo la QoS nel caso di carichi di lavoro IoT variabili.

Abstract

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

La congestione nelle reti di sensori wireless (WSN) abilitate IoT degrada la consegna dei pacchetti, la latenza e il consumo energetico, compromettendo la rete, specialmente in condizioni di traffico a scoppi e eterogenee. Questo protocollo illustra una tecnica intelligente di controllo della congestione che combina aggregazione ibrida dei dati, schedulazione adattiva e un motore decisionale neuro-fuzzy per gestire in modo efficiente il carico di rete. Il metodo prevede prima la generazione di dati di simulazione, la creazione di topologie di diverse densità di nodi e l'impostazione di pattern di traffico utilizzando NS-2.35. Vengono ottenute tracce di pacchetto per ogni scenario per consentire una valutazione riproducibile. Il flusso di lavoro del protocollo si riferisce alla combinazione di due meccanismi: (1) aggregazione ibrida, che combina pacchetti in finestre basate su tempo e conteggio mantenendo le etichette di priorità, e (2) pianificazione adattiva, che gestisce code a doppia priorità tramite round robin ponderato. Un controller neuro-fuzzy valuta sempre l'occupazione del buffer, la qualità del collegamento, l'utilizzo del canale, l'energia residua e la priorità del traffico. Prendendo questi input, regola la profondità di aggregazione, i pesi della coda e le decisioni di trasmissione tramite inferenza fuzzy e apprendimento neuro-adattivo. I compiti di misurazione delle prestazioni comprendono il calcolo del rapporto di consegna dei pacchetti, della latenza end-end, della produttività, del consumo energetico a livello di nodo e della durata della rete. Le analisi statistiche vengono eseguite su più esecuzioni per verificare l'affidabilità dei risultati. L'approccio rivela prestazioni migliori nella simulazione rispetto agli schemi di base. Questo protocollo offre un framework riproducibile per esplorare metodi ibridi di controllo della congestione che consentono un'operazione efficiente, scalabile e consapevole della QoS in ambienti WSN abilitati a IoT.

Introduzione

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

La massiccia crescita dell'Internet delle Cose (IoT) ha reso necessaria la distribuzione di miliardi di dispositivi interconnessi, dei quali vengono utilizzati reti di sensori wireless (WSN) per fornire monitoraggio in tempo reale e supporto decisionale, nella maggior partedei casi 1,2. Queste reti diventano le strutture centrali dei sistemi abilitati IoT in settori radicalmente diversi, come il monitoraggiosanitario 3, le cittàintelligenti 4, l'agricolturadi precisione 5, l'automazioneindustriale 6 e il sensoreambientale 7. I WSN sono composti da nodi sensori che dispongono di risorse limitate come larghezza di banda, energia e potenza di calcolo. Le limitazioni aggravano il problema poiché il traffico IoT è anche molto dinamico e a scaffe, quindi le reti menzionate sono altamente suscettibili allacongestione 8.

Questo protocollo è particolarmente rilevante per le implementazioni IoT su medie e grandi dimensioni (150-750 nodi) che generano traffico misto periodico e a scatti sotto stretti vincoli energetici. Situazioni di questo tipo si riscontrano molto spesso nel monitoraggio sanitario, nel rilevamento delle città intelligenti e nei sistemi di automazione industriale, dove è ancora necessario garantire una consegna affidabile e una comunicazione a bassa latenza nonostante le risorse limitate dei nodi9.

La congestione nei WSN può compromettere seriamente la capacità di prestazioni della rete attraverso vari metodi, tra cui perdite di pacchetti, ritardi in coda aumentati, riduzione della capacità di trasmissione e esaurimento accelerato dell'energia 8,10. In scenari IoT, ad esempio telemedicina o soccorso in caso di disastri, il ritardo causato dalla congestione o la perdita di pacchetti possono avere conseguenzefatali 11,12. I metodi attuali di controllo della congestione hanno tre categorie principali: schemi basati sul traffico (limitazione della velocità di sorgente, controllo della contropressione)13,14, schemi basati su aggregazione (combinazione dati in rete)15,16, e schemi basati su schedulazione (coda di priorità, allocazione dei canali)9,17. Pertanto, queste tecniche raggiungono un certo livello di successo ma presentano anche delle carenze se usate da sole. Ad esempio, i metodi basati sul traffico sono spesso colpevoli di peggiorare le prestazioni delle applicazioni a causa della riduzione delle velocità sorgente in modo non selettivo. I metodi basati su aggregazione eliminano la ridondanza ma aggiungono ritardi ai flussi critici in termini di tempo. Sebbene le strategie basate sulla pianificazione possano aumentare il livello di equità, non possono funzionare efficacemente senza la presenza di altri carichi di trafficoelevati 6.

Rispetto agli schemi solo traffico, aggregazione e solo scheduling, il controllo neuro-fuzzy ibrido offre un compromesso più equilibrato tra affidabilità nella consegna dei pacchetti, latenza e consumo energetico. Regolando congiuntamente la profondità di aggregazione e la priorità di pianificazione basandosi sullo stato di rete in tempo reale, l'approccio proposto mitiga la congestione in modo più efficace sotto carichi di lavoro IoT pesanti edeterogenei 18.

Motivazione alla ricerca
Le reti di sensori wireless abilitate IoT generano traffico eterogeneo e spesso a scatti rapidi, rendendole vulnerabili a congestione, sovraplessità di code e ritrasmissioni eccessive. Gli schemi esistenti basati sul traffico, solo aggregazione o solo programmazione non riescono a ottenere un compromesso equilibrato tra consegna di pacchetti, latenza e consumo energetico in condizioni di caricodinamico 19,20. Motivato da queste limitazioni, questo studio introduce un protocollo ibrido di congestione-controllo che combina aggregazione adattativa, pianificazione consapevole di QoS e decisioni neuro-fuzzy per garantire prestazioni affidabili, consapevoli dei ritardi ed efficienti dal punto di vista energetico in ambienti densi di IoT-WSN.

Lavori recenti hanno evidenziato il potenziale dei meccanismi ibridi che combinano aggregazione e programmazione per bilanciare throughput, latenza ed efficienzaenergetica 21,22. I metodi adattivi che utilizzano la logica fuzzy, l'apprendimento per rinforzo o l'inferenza neuro-fuzzy migliorano ulteriormente la reattività agli stati dinamici della rete 23,24,25,26. La maggior parte dei metodi attuali, tuttavia, si basa su soglie statiche, aumenta il sovraccarico computazionale che non è adatto ai nodi a risorse limitate e non è robusto sotto carichi di lavoro IoTeterogenei 27,28. Pertanto, la domanda di meccanismi intelligenti di controllo della congestione, leggeri, adattivi e capaci di reagire ai cambiamenti del traffico, pur estendendo la vita della rete, è ancora molto alta.

Sono stati condotti vari studi per evidenziare affidabilità, miglioramento della QoS e funzionalità di gestione sicura dei dati nelle WSN abilitate IoT. Gli schemi di rilevamento e recupero di guasti consapevolidell'energia 29,30 hanno dimostrato di aumentare la robustezza e le prestazioni end-to-end in ambienti inevoluzione 31. Protocolli blockchain leggeri possono essere utilizzati per garantire ulteriormente la comunicazione dei dati nelle applicazioni IoT-WSN. L'implementazione di metodi gerarchici di rilevamento dei guasti basati su regole aiuta anche a mantenere la QoS nel dispiegamento dei sensori con risorse limitate. Questi miglioramenti indicano la domanda di soluzioni di controllo della congestione che possano essere integrate con affidabilità, sicurezza e uso efficiente delle risorse nei moderni sistemi IoT.

Sebbene le tecniche di controllo della congestione per i WSN siano state ampiamente studiate, è per lo più vero che le soluzioni esistenti considerano solo meccanismi a singolo livello: uno di regolazione, aggregazione o scheduling deltraffico 15. Il protocollo in questione, tuttavia, presenta un meccanismo adattivo multilivello in cui l'aggregazione ibrida, la pianificazione consapevole delle priorità e il processo decisionale neuro-fuzzy interagiscono e si aggiornano continuamente a vicenda. A differenza dei metodi standard fuzzy-only, il NFDE impiega una sintonia neuro-adattiva guidata da ANFIS, consentendo così modifiche al volo alle funzioni di appartenenza e ai parametri delle regole a seconda dei modelli effettivi di traffico. Il protocollo proposto è significativamente diverso dagli altri modelli grazie a questa coordinazione integrata cross-layer unita a un calcolo leggero adatto all'hardware IoT.

Prima di questo articolo, è stata condotta una moltitudine di ricerche sulla congestione nelle WSN, come dimostrano numerosi sondaggi che riportano centinaia di algoritmi che affrontano la congestione al link, il sovrafrotamento del buffer o livelli di contenzione media. La maggior parte delle soluzioni è stata progettata per affrontare questi problemi a un unico livello di protocollo, mentre la questione del controllo adattivo della congestione multilivello è stata appenaaffrontata 9,21. La ricerca attuale colma il vuoto combinando l'adattamento cross-layer con un modulo neuro-fuzzy leggero per hardware di classe IoT.

Alla luce di questi problemi, la ricerca ha proposto un meccanismo intelligente di controllo della congestione capace di integrare tecniche ibride di aggregazione e pianificazione con un motore decisionale neuro-fuzzy per WSN pronti per l'IoT. La componente aggregazione mitiga le trasmissioni ridondanti attraverso l'utilizzo sia di finestre basate sul tempo che di quelle sul conteggio dei pacchetti. La componente di scheduling garantisce equità e conformità QoS tramite il round robin ponderato tra le code doppie per flussi critici e non critici. Il motore neuro-fuzzy tiene traccia delle principali variabili di stato della rete, bufferando congiuntamente occupazione, utilizzo del canale, energia residua, qualità del collegamento e priorità del traffico. Utilizzando regole di inferenza fuzzy migliorate con l'apprendimento neuro-adattivo, il controller modifica la profondità di aggregazione, i pesi di scheduling e i tassi di trasmissione. Un sistema a circuito chiuso di questo tipo consente al protocollo di essere sufficientemente flessibile in situazioni di congestione in tempo reale.

Abbiamo impostato le domande chiave di ricerca, che ci hanno aiutato a definire l'ambito e l'importanza dello studio, per poterle presentare chiaramente. Le domande di ricerca che hanno guidato la ricerca sono le seguenti:
RQ1: Come possono l'aggregazione ibrida e la pianificazione ridurre la congestione nelle WSN abilitate IoT in modo più efficace rispetto ai metodi autonomi?
RQ2: Che ruolo gioca un motore decisionale neuro-fuzzy nell'adattarsi agli stati della rete sotto carichi di traffico variabili?
RQ3: In che modo il protocollo proposto migliora il rapporto di consegna dei pacchetti, la latenza, la capacità di produzione e l'efficienza energetica rispetto agli schemi convenzionali di controllo della congestione?
RQ4: Il protocollo proposto può prolungare la vita della rete mantenendo il QoS tra diverse applicazioni IoT?

I contributi di questo studio sono quadruplati. L'argomento principale è un framework ibrido di aggregazione e pianificazione con adattamento neuro-fuzzy per il controllo della congestione nelle WSN abilitate all'IoT. Il secondo punto è che implementa un framework di simulazione riproducibile per testare le prestazioni sotto diverse dimensioni di rete e intensità di traffico. In terzo luogo, mostra i progressi quantificabili nella consegna dei pacchetti, latenza, throughput, efficienza energetica e durata di vita rispetto ai valori di base. Alla fine, offre dati, file di configurazione e script di analisi per apertura e riproducibilità.

I diversi metodi di controllo della congestione, tra cui fuzzy-only, aggregation-only, scheduling-only e DRL-basato, presentano i loro limiti, che il lavoro proposto affronta impiegando aggregazione adattamento-ibrida multilivello, programmazione adattiva a doppia coda e un motore decisionale neuro-fuzzy, tutti integrati in un unico framework leggero e hardware-friendly. A differenza dei metodi basati su DRL, che sono computazionalmente costosi e richiedono molto tempo per convergere, lo strato neuro-fuzzy proposto può eseguire le operazioni quasi in tempo reale con un consumo di energia e CPU considerevolmente inferiori; pertanto, è ideale per i nodi sensori di classe IoT. Nella Tabella 1 sono stati confrontati vari metodi di controllo della congestione insieme al metodo proposto.

Tabella 1: Confronto tra gli approcci esistenti di controllo della congestione e il metodo proposto. Questa tabella illustra le caratteristiche più importanti, i vantaggi e i limiti delle diverse categorie di metodi di controllo della congestione nelle reti di sensori wireless, come approcci solo fuzzy, solo aggregazione, solo programmazione e basati su DRL. Evidenzia l'unicità del metodo proposto nel combinare aggregazione ibrida, schedulazione adattiva delle priorità e un motore decisionale neuro-fuzzy leggero per offrire adattamento multilivello con un basso costo computazionale. Il confronto tra i due mostra che il protocollo introdotto è in grado di ottenere un PDR migliore, latenza inferiore, throughput bilanciato e maggiore efficienza energetica, restando comunque compatibile con dispositivi IoT-WSN a risorse limitate. Clicca qui per scaricare questa tabella.

Lavori correlati
Ricerche recenti sul controllo della congestione nelle Reti di Sensori Wireless (WSN) abilitate all'IoT mostrano che le tecniche a livello singolo — aggregazione pura, traffico throttling o scheduling — sono insufficienti sotto carichi di traffico eterogenei e a scatti che causano straripamento del buffer, collisioni e gravi sprechi di energia¹-⁵. Gli schemi ibridi di aggregazione-schedulazione hanno quindi acquisito importanza per la riduzione simultanea delle trasmissioni ridondanti e la regolazione della contesa mentre le densità dei nodi scalano 6,7,8,10. Le varianti cross-layer integrano routing, clustering e scheduling a livello MAC per stabilizzare i flussi convergecast e i carichi di lavoro mistiQoS 11,12,13, mentre i trigger fuzzy o euristici modificano la profondità di aggregazione e la disciplina del servizio in base ai segnali locali di congestione 14,15,16. Le tecniche di soft-computing migliorano ulteriormente la reattività: i controller fuzzy inferiscono stati della coda dall'occupazione del buffer, dalla qualità del collegamento e dalle ritrasmissioni 9,17,21; I sistemi neuro-fuzzy migliorano questo apprenendo i pesi delle regole per l'ottimizzazione multi-obiettivo tra il rapporto di consegna dei pacchetti (PDR), la latenza, la produttività e l'usoenergetico 22,23,24. Nel frattempo, gli approcci di deep reinforcement learning (DRL/RL) gestiscono il controllo della velocità, la cache e la scheduling25, 26, 27, 28, mentre i framework generativi/ottimizzati rimodellano cluster e percorsi sotto stress ottimizzando il comportamento del traffico locale²9. In questi approcci diversi, gli ibridi intelligenti superano costantemente i metodi statici limitando gli spillover nelle code, stabilizzando le finestre di contenzione, riducendo i ritardi e migliorando la capacità di produzione e l'efficienza energetica in condizioni di trafficovariabili 8,9,12,24,25,26,27,28,29,30 ,32,33,34.

Una linea parallela di lavoro si concentra sul miglioramento della durata della rete e della QoS adattando i parametri di controllo della congestione ai livelli energetici, alle condizioni del collegamento e alle priorità applicative. Gli studi dimostrano che aggregare pacchetti correlati riduce il numero di trasmissioni, mentre la pianificazione adattiva minimizza la contesa, l'ascolto inattivo e le tempeste dicollisione 14,17,18,27,30,32,33,34,35,36 . I meccanismi basati su priorità tutelano il traffico sanitario urgente o industriale mentre regolano la telemetria non critica 18,32,33,35 e il routing fuzzy/neuro-fuzzy, clustering e controllo della velocità che regolano ulteriormente le oscillazioni in scenari ad alto carico 33,18. Ulteriori progressi come l'ottimizzazione guidata dall'IA per il routing37, il clustering38 e la mappatura congestionea lungo termine 39, insieme a smart faultdetection 40, comunicazione sicura abilitata blockchain31 e recupero energetico⁴1, evidenziano la tendenza crescente verso soluzioni di congestione integrate e consapevoli del contesto. Nonostante questi progressi, la maggior parte degli approcci esistenti manca ancora di un framework unificato, leggero e in tempo reale, capace di coordinare congiuntamente aggregazione, pianificazione e adattamento intelligente tra diversi carichi di lavoro IoT. Questa lacuna motiva lo sviluppo di un sistema ibrido intelligente di controllo della congestione che sfrutta decisioni neuro-fuzzy per prestazioni scalabili, consapevoli di QoS e a basso consumo energetico in ambienti WSN moderni abilitati a IoT.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

1. Impostazione dell'ambiente di simulazione

  1. Installa Ubuntu 22.04 LTS su una workstation con almeno un processore Intel i5, 8 GB di RAM e 20 GB di spazio. Configura il compilatore GNU C/C++ e le librerie Tcl/Tk per compilare ed eseguire NS-2.35.
  2. Installa Python 3.10 insieme a NumPy, SciPy, Pandas e Matplotlib per analisi e traccia. Abilita i moduli di monitoraggio energetico e di coda NS-2 per catturare eventi di enqueue, dequeue, drop, delivery e consumo energetico.
  3. Esegui ogni esperimento 5 volte usando semi casuali indipendenti per garantire la riproducibilità.
  4. Strutturare la directory di simulazione in sottocartelle per configurazioni, script, risultati e analisi, e mantenere i log Markdown per registrare configurazioni ed esiti.
    NOTA: Tutti i file di configurazione TCL, gli script di implementazione NFDE e le utility di analisi utilizzati nel flusso di lavoro della simulazione sono forniti nel File Supplementare 1.

2. Topologia della rete e generazione del traffico

  1. Generare topologie di rete di sensori wireless con 150, 300, 450, 600 e 750 nodi distribuiti uniformemente all'interno di un'area di distribuzione di 600 x 600 m².
  2. Inizializzare ogni nodo con 25 J di energia, un intervallo di trasmissione di 75 m e una larghezza di banda di 250 kbps per rappresentare dispositivi di classe IoT.
  3. Posiziona il nodo di ritenuta o al centro o al confine della rete per creare percorsi di instradamento eterogenei.
  4. Introdurre modelli di traffico che comprendono flussi periodici a bit rate costanti a 1 pacchetto/s e raffiche guidate dagli eventi a 5-10 pacchetti/s della durata di 20-30 s.
  5. Combina traffico in background e traffico ad alta priorità per testare la capacità del protocollo di distinguere e dare priorità ai flusso. I parametri di simulazione riassunti sono forniti nella Tabella 2.
  6. Parametri di configurazione della simulazione NS-2
    1. Protocollo di instradamento: Utilizzare il routing ad hoc On-Demand Distance Vector (AODV) per tutte le simulazioni. Imposta i seguenti parametri chiave: intervallo hello: 1 s, timeout del percorso attivo: 3 s, start/max TTL: 2 / 7 hop.
      NOTA: AODV è selezionato per la sua leggera sovraccarico di pacchetto di controllo e per l'idoneità alle topologie dinamiche IoT/WSN.
    2. Configurazione MAC: Utilizzare il protocollo MAC IEEE 802.11 DCF (Distributed Coordination Function). Imposta i seguenti parametri importanti: Velocità base: 1 Mbps, Velocità dati: 250 kbps (velocità dati di classe WSN), RTS/CTS: disabilitato (segue le tipiche configurazioni WSN a basso consumo), CWmin = 31, CWmax = 1023, Tempo di slot = 20 μs, SIFS = 10 μs, DIFS = 50 μs.
    3. Configurazione della coda: Impostare il tipo di coda come PriQueue per supportare la pianificazione a doppia priorità, lunghezza della coda (lunghezza IFQ) a 50 pacchetti. Imposta la mappatura della coda come traffico ad alta priorità alla Coda 1 e il traffico normale alla Coda 2. Imposta il comportamento della coda su DropTail usato per la gestione dell'overflow.
    4. Modello di propagazione: Seleziona TwoRayGround per ambienti esterni tipici IoT/WSN dove la perdita di percorso aumenta con la distanza. Impostare i parametri del modello di cross-check come altezza dell'antenna: 1,5 m, fattore di perdita di sistema: 1,0, soglia minima di potenza ricevuta: −95 dBm.
    5. Modelli di interfaccia e antenne: Imposta il tipo di interfaccia wireless come Phy/WirelessPhy. Imposta la seguente configurazione dell'interfaccia di rete: Tipo di coda di interfaccia: Queue/DropTail/PriQueue, Interfaccia di rete: CMUPriQueue per un servizio prioritario. Imposta il modello dell'antenna come Antenna/OmniAntenna poiché riflette i moti tipici del sensore (MicaZ, TelosB, ecc.).
    6. Lunghezza IFQ e dimensione del pacchetto: Imposta la lunghezza della coda dell'interfaccia (IFQLength) a 50 pacchetti per garantire che la congestione avvenga a picchi di traffico realistici. Imposta i seguenti parametri di dimensione del pacchetto: pacchetto CBR predefinito: 512 byte, header MAC: ~36 byte, pacchetto di controllo AODV: ~32 byte. Imposta la soglia di frammentazione su Nessuna (frammentazione disabilitata).
    7. Impostazioni canale: imposta il tipo di canale su Channel/WirelessChannel, la frequenza su banda ISM 2,4 GHz (frequenza comune IoT), la larghezza di banda a 250 kbps e il duplex a semi-duplex. Imposta i parametri dello strato di collegamento come Energia iniziale: 25 J, potenza di trasmissione: 0,66 W, potenza di ricezione: 0,395 W, potenza di riposo: 0,035 W e potenza di sospensione: 0,003 W. Imposta il rumore di fondo a −100 dBm e la soglia di rilevamento portante (CST) a −94 dBm.

Tabella 2: Parametri di simulazione NS-2.35 utilizzati per valutare il protocollo di controllo della congestione proposto. Questa tabella raccoglie tutte le configurazioni di simulazione in NS-2.35, come la dimensione dell'area di distribuzione, le densità dei nodi, i parametri legati all'energia, le configurazioni MAC e di instradamento, la struttura della coda, il modello di propagazione, la dimensione del pacchetto e le soglie di controllo. I parametri servono a garantire la completa riproducibilità dell'ambiente sperimentale per il confronto delle prestazioni tra schemi ibridi, solo aggregazione, solo programmazione e sistemi di controllo della congestione di base. Clicca qui per scaricare questa tabella.

3. Architettura metodologica

  1. Progettare il protocollo proposto integrando aggregazione ibrida, schedulazione adattiva e un motore decisionale neuro-fuzzy.
  2. Implementare l'aggregazione ibrida per combinare i pacchetti entro finestre basate sul tempo o sul conteggio dei pacchetti, mantenendo i tag di priorità per il traffico critico.
  3. Utilizzare la pianificazione adattiva per gestire due code - una per i flussi critici e una per i flussi non critici - e applicare la pianificazione a round robin ponderata con pesi di coda regolabili dinamicamente.
  4. Impiegare il motore decisionale neuro-fuzzy per monitorare l'occupazione del buffer, l'utilizzo del canale, l'energia residua, la qualità del collegamento e la priorità del traffico.
  5. Mappare questi input in funzioni di appartenenza fuzzy, applica regole di inferenza per ottimizzare la profondità di aggregazione e i pesi di scheduling, e affina le decisioni di sistema attraverso l'apprendimento neuro-adattivo.
    1. Struttura del modello NFDE: Implementare il Neuro-Fuzzy Decision Engine (NFDE) come Sugeno Adaptive Neuro-Fuzzy Inference System (ANFIS) di primo ordine con cinque variabili di input e tre parametri di controllo in output. Il sistema utilizza un'architettura a cinque livelli
      Livello 1 - Fuzzificazione di input: Converte i valori nitidi del sensore in gradi di appartenenza.
      Livello 2 - Forza di sparo delle regole: Calcola le forze di sparatura delle regole usando l'inferenza del prodotto.
      Livello 3 - Normalizzazione: Normalizza le intensità di fuoco.
      Livello 4 - Termini di uscita lineari: Genera output lineari ponderati.
      Livello 5 - Aggregazione di output: Combina i risultati per produrre la profondità di aggregazione, il peso di programmazione e le regolazioni della velocità di trasmissione.
      Ogni regola ha la forma: Se (B è X1) e (C è X2) e (E è X3) e (LQI è X4) e (P è X5) → f = p1· B + p2· C + p3· E + p4· LQI + p5· P + p0.
      Il modello contiene da 15 a 25 regole a seconda dei vincoli di complessità.
    2. Variabili di input e output
      1. Imposta 5 variabili di input, ovvero b occupazione di apertura (B) - Rapporto tra lunghezza attuale della coda e lunghezza IFQ (0-1), utilizzo di c hannel (C) - frazione di tempo di occupazione MAC (0-1), r energia esidual (E) - frazione di energia residua (0-1), l indicatore di qualità dell'inchiostro (LQI) - probabilità normalizzata di successo del collegamento (0-1), e t priorità raffica (P) con 1,0 come critico e 0,0 come non critico.
      2. Imposta 3 variabili di output, ovvero profondità aggregazione (A*) - Numero raccomandato di pacchetti da aggregare (intervallo 1-6), peso di scheduling (W*) - Peso assegnato alla coda ad alta priorità (0,3-0,8), aggiustamento rate (R*) - Scaling della velocità di trasmissione (−20% a +10%).
    3. Tutti gli ingressi utilizzano funzioni di appartenenza triangolare o trapezoidale definite nell'intervallo 0 - 1. Imposta le funzioni m embership come seguendo con intervalli numerici.
      Occupazione buffer (B) - Bassa: trapmf(0.0, 0.0, 0.20, 0.40), Media: trimf(0.30, 0.50, 0.70), Alta: trapmf(0.60, 0.80, 1.0, 1.0)
      Utilizzo del canale (C) - Basso: trimf(0,0, 0,15, 0,30), Medio: trimf(0,25, 0,50, 0,75), Alto: trimf(0,70, 0,85, 1,0)
      Energia residua (E) - Alta: trappf(0,70, 0,80, 1,0, 1,0), Media: trimf(0,40, 0,55, 0,70), Bassa: trapmf(0,0, 0,0, 0,30, 0,50)
      Indicatore di qualità del collegamento (LQI) - Buono: trapmf(0,70, 0,80, 1,0, 1,0), Moderato: trimf(0,40, 0,55, 0,70), Scarso: trapmf(0,0, 0,0, 0,30, 0,45)
      Priorità del traffico (P) - Non critico: trimf(0.0, 0.0, 0.1), Critico: trimf(0.9, 1.0, 1.0)
      Funzioni di appartenenza all'output - Poiché Sugeno ANFIS utilizza output lineari nitidi:
      A* (profondità di aggregazione) = a1·input + a0, tagliato a [1,6], W* (peso di priorità) = w1·input + w0, tagliato a [0,3,0.8], R* (fattore di velocità) = r1·input + r0, clicato a [−0.20, +0.10]
    4. Formulazione della base delle regole: Una base completa di regole include tipicamente 15-25 regole, a seconda dei limiti computazionali. Impostare un tipico sottoinsieme di regole come
      Se B = alto E C = alto → ridurre A*, aumentare W*, ridurre R*
      Se B = medio E E = alto E P = critico → moderato A*, aumentare W*
      Se LQI = scarso → aumentare A* (per ridurre le ritrasmissioni)
      Se E = basso → riduce R*, riduce A* (conservazione dell'energia)
      Se C = basso E P = critico → impostare W* alto
      Se B = alto E LQI = buono → ridurre A*, aumentare R*
      NOTA: Distintività del sistema di regole neuro-fuzzy. Il sistema di regole fuzzy differisce dagli schemi convenzionali di controllo della congestione in due modi:
      Accoppiamento multi-input: Considera congiuntamente l'occupazione della coda, l'utilizzo del canale, la profondità di aggregazione e le metriche di priorità dei pacchetti raramente combinate nei controller WSN fuzzy esistenti.
      Regolazione neuro-adattiva: Le regole iniziali sono definite da esperti ma successivamente ottimizzate utilizzando l'apprendimento ANFIS, aggiornando le intensità delle regole e i parametri di output per adattarli alle condizioni reali della rete. Le regole rappresentative utilizzate includono:
      SE l'occupazione della coda è alta E l'utilizzo del canale è elevato, ALLORA riduci la velocità di trasmissione e aumenta la profondità di aggregazione.
      SE l'occupazione in coda è media E la priorità alta ALLORA aumenta il peso della programmazione.
      SE l'energia residua è bassa ALLORA limitare le ritrasmissioni e ridurre la pressione della coda.
      Questi aggiustamenti dinamici delle regole permettono una mitigazione della congestione più reattiva rispetto ai sistemi fuzzy statici.
    5. Definisci e regola funzioni e regole di appartenenza. Per prima cosa, impostare le funzioni di appartenenza fuzzy basate sugli intervalli empirici delle tendenze simulate NS-2 condotte come studio preliminare. Queste tendenze includono l'occupazione del cuscinetto cuscinetto, l'utilizzo del canale, l'energia residua e le distribuzioni LQI. Successivamente, si regolano queste funzioni di appartenenza tramite la procedura di addestramento ANFIS, dove la discesa del gradiente viene utilizzata per ottimizzare sia i confini MF sia i parametri di uscita Sugeno. Crea la base di regole fuzzy iniziale dalle euristiche derivate dagli esperti. Dopodiché, allenare il sistema neuro-adattivo finché i pesi e i parametri delle regole non vengono aggiornati a causa dei modelli rappresentativi del traffico, permettendo così la loro regolazione.
    6. Valutare l'impronta computazionale del NFDE per determinare se sia adatto ai nodi sensori di classe IoT. Tieni traccia del tempo di inferenza, che di solito è intorno a 1,2-1,8 ms su un microcontrollore Cortex-M4 che funziona a 72 MHz. Assicurati che il consumo di memoria per tutte le funzioni di appartenenza e i parametri delle regole non superi i 40 KB. Esegui tutto l'addestramento ANFIS offline e non sui nodi sensori. Per mantenere l'adattabilità in tempo reale con un carico computazionale molto basso, durante la distribuzione dovrebbe essere utilizzata solo la parte di inferenza leggera.
    7. Procedura di addestramento: Addestrare NFDE offline utilizzando l'algoritmo ibrido ANFIS
      Passaggio in avanti (Stima dei Minimi Quadrati): Determina i parametri lineari delle regole di Sugeno.
      Passaggio all'indietro (Gradient Descent): Aggiorna i parametri MF non lineari.
      1. Imposta i parametri di addestramento come dimensione del dataset di addestramento: 15.000 campioni generati da stati di traffico simulati, Epoche: 50, Tasso di apprendimento (α): 0,01, Tolleranza all'errore: 1 x 10 ⁻⁴ , Arresto anticipato: 3 epoche consecutive senza miglioramenti, Obiettivo di ottimizzazione: minimizzare l'RMSE tra output NFDE e profili di controllo di accuratezza sul terreno.
  6. La congestione è rivelata sia dagli indicatori di livello di condizione che di quello di sottocondizione. Distinguere la congestione a livello di nodo ispezionando i livelli di occupazione della coda, il tasso di crescita della coda e gli eventi di drop di pacchetti quando l'IFQ si avvicina al limite di capacità. Deducere la congestione a livello di canale da aumenti sostenuti del periodo di traffico MAC, lunghi intervalli di backoff e crescente probabilità di collisione. Questi segnali vengono costantemente forniti al Neuro-Fuzzy Decision Engine che determina la gravità della congestione e fornisce misure di controllo autonomo.
  7. Al rilevamento della congestione, il NFDE amplia l'aggregazione per ridurre le trasmissioni di pacchetti, riconfigurare i pesi di programmazione per la criticità del traffico e abbassare la velocità di trasmissione per normalizzare la coda. Mantenere il meccanismo di rilevamento separato dal livello applicativo, così la gestione della congestione viene mantenuta anche se il traffico è di un tipo diverso.
  8. Aggiorna i parametri ogni 1-2 secondi per una reattività quasi in tempo reale. Usa la Tabella 3 per fare riferimento ai parametri della funzione di appartenenza, agli intervalli di output e alle regole fuzzy rappresentative applicate nel Neuro-Fuzzy Decision Engine. Consulta i valori numerici MF elencati, i confini di uscita Sugeno e gli esempi di regole decisionali per riprodurre accuratamente l'inferenza e il comportamento di adattamento del controllore.
  9. Esegui l'analisi in quattro fasi principali:
    Configurazione: Prepara NS-2.35, strumenti di analisi Python e genera topologie di rete e modelli di traffico.
    Parametro di accordo: Configurare la profondità di aggregazione, i pesi di scheduling, i parametri della coda di interfaccia e le funzioni di appartenenza e impostazioni di apprendimento NFDE.
    Esecuzione della simulazione: eseguire tutti gli scenari su più densità di nodi e carichi di traffico, raccogliere file di traccia NS-2 completi e registrare eventi chiave tra cui enqueue, dequeue, drop, delivery e stati energetici.
    Analisi: Estrarre PDR, latenza, throughput, energia e metriche di durata utilizzando script Python e calcolare la significatività statistica tra le linee di base.
    NOTA: Questo flusso di lavoro fornisce una sequenza chiara e riproducibile dalla configurazione all'analisi ed è illustrato nella Figura 1.

Tabella 3: Funzioni di appartenenza fuzzy, intervalli di output e regole rappresentative utilizzate nel motore decisionale neuro-fuzzy. Le cinque variabili di input hanno tutte funzioni di appartenenza triangolare e trapezoidale, e la tabella fornisce i parametri numerici esatti per esse. La tabella indica anche le portate operative per le uscite di tipo Sugeno. Le regole fuzzy rappresentative dimostrano come il sistema interpreti le condizioni di rete per regolare la profondità di aggregazione, i pesi di scheduling della coda e la scala della velocità di trasmissione. Tra i parametri di riproducibilità ci sono i conteggi MF, la dimensione del set di regole, la frequenza di apprendimento e l'intervallo di aggiornamento, che sono lì per facilitare una replica diretta dell'NFDE. Clicca qui per scaricare questa tabella.

Figura 1
Figura 1: Architettura del protocollo intelligente di controllo della congestione per reti di sensori wireless abilitate a IoT. Il flusso di lavoro integrato e completo della politica di controllo della congestione ibrida è rappresentato in questo diagramma. Le misurazioni dello stato della rete — occupazione del buffer, utilizzo del canale, energia residua, qualità del collegamento e priorità del traffico — vengono inserite nello strato di appartenenza e nel Neuro-Fuzzy Decision Engine, che genera poi variabili di controllo adattive come profondità di aggregazione, peso di scheduling e aggiustamento della velocità di trasmissione. Queste variabili controllano il Modulo di Aggregazione Ibrida e il Modulo di Pianificazione Adattiva, consentendo così metriche di traffico ottimizzate congiuntamente con un rapporto di consegna dei pacchetti più alto, latenza inferiore, consumo energetico ridotto e vita di rete prolungata. Abbreviazioni: NF = Neuro-Fuzzy, PDR = Rapporto di Consegna dei Pacchetti, WRR = Ponderato Round Robin, WSN = Rete di Sensori Wireless, IoT = Internet delle Cose, AQM = Gestione Attiva delle Code (se applicabile), RSSI = Indicatore di Intensità del Segnale Ricevuto (se applicabile). Clicca qui per visualizzare una versione più grande di questa figura.

4. Dettagli del dataset

NOTA: Il dataset di simulazione utilizzato in questo studio è stato generato internamente utilizzando l'ambiente NS-2.35 e non viene depositato in un repository pubblico a causa di vincoli di dimensione del file. Tuttavia, tutti i file di configurazione, gli script TCL, il codice NFDE e gli script di analisi Python necessari per riprodurre il dataset sono disponibili pubblicamente nel seguente repository GitHub: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. I ricercatori possono rigenerare l'intero dataset eseguendo i file di configurazione e gli script forniti. Ulteriori file di dati possono essere messi a disposizione dagli autori su richiesta ragionevole.

  1. Prepara il dataset generando file di configurazione, liste di semi casuali, file di tracce grezze NS-2, risultati CSV elaborati e script Python per l'analisi e visualizzazione delle tracce.
  2. Chiarimento sulla fonte del dataset:
    1. Genera l'intero dataset utilizzando la piattaforma di simulazione NS-2.35 invece di ottenerlo da repository esterni o pubblici.
    2. Configura NS-2.35 per generare file di traccia grezzi per ogni esecuzione di simulazione, inclusi enqueue, dequeue, drop, deliver, eventi MAC e log energetici a livello di nodo.
    3. Crea tutte le topologie, i modelli di traffico e le impostazioni dei parametri in modo programmatico come parte del flusso di lavoro della simulazione. Assicurarsi che ogni scenario generi circa 20 MB di dati grezzi di traccia e memorizzare tutti i risultati sperimentali all'interno della directory del progetto.
    4. Elabora questi file traccia utilizzando script Python per estrarre il rapporto di consegna dei pacchetti, la latenza, la throughput, il consumo energetico e le metriche di vita della rete.
    5. In questo studio non vengono utilizzati dataset esterni o di terze parti.
  3. Copri 75 scenari tra densità di nodi, intensità di traffico e semi casuali.
  4. Aspettati circa 20 MB di dati grezzi e 1-2 MB di risultati elaborati per ogni scenario, per una dimensione totale del dataset di circa 2 GB.

5. Esecuzione della simulazione

  1. Esegui ogni simulazione per 900 secondi. Confronta il protocollo proposto con tre alternative: uno schema solo aggregazione, uno schema solo di scheduling e la base PCCP.
  2. Utilizzare topologie di rete identiche e seed casuali su tutti i protocolli per garantire la comparabilità. Raccogli file di traccia da ogni esecuzione e organizzali nella directory dei risultati per densità di nodo, carico di traffico e tipo di protocollo.

6. Analisi dei dati

  1. Parsi file trace con script Python per calcolare il rapporto di consegna dei pacchetti, la latenza end-to-end, la produttività, il consumo energetico per nodo e la durata della rete (tempo fino alla prima morte del nodo e morte del nodo al 50%).
  2. Risultati medi su cinque esecuzioni e riportali come media ± intervallo di confidenza del 95%.
  3. Applicare test t accoppiati per dati normalmente distribuiti e test Wilcoxon con rango segnato e considerare differenze significative a p < 0,05.

7. Guida operativa per l'uso del software

  1. Esecuzione di NS-2 e invocazione dello script Tcl
    1. Usa NS-2.35 per eseguire scenari di simulazione utilizzando il file Tcl fornito (hybrid_protocol.tcl).
      Esegui un singolo scenario:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffico bursty -out traces/out_300_seed3.tr
      Flag: -nn (nodi), -seed (seed), -traffico (cbr|bursty), -out (file trace).
      Esecuzione batch: ./configs/run_experiment.sh
  2. Script Python per analisi delle tracce ed estrazione metrica
    1. Parsi una traccia
      Analisi Python/parse_ns2.py traces/out_300_seed3.tr --O results/metrics_300_3.csv
    2. Metriche aggregate
      Analisi Python/Risultati compute_metrics.py --Risultati riassuntivi/summary_all.csv
    3. Generare grafici
      Analisi Python/Risultati plot_metrics.py/summary_all.csv --Cifre di output/
  3. Addestramento e inferenza NFDE
    1. Generare dati di addestramento
      Python NFDE/anfis_train.py --generano 15000 --fuori NFDE/training_data.csv
    2. Treno NFDE
      Python NFDE/anfis_train.py --Train NFDE/training_data.csv --Epochs 50 --LR 0.01 ---Out NFDE/nfde_model.PKL
    3. Esegui l'inferenza NFDE
      python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. Risultati attesi

  1. Dimostrare prestazioni superiori del protocollo proposto rispetto agli schemidi base 6,7,13,14,17,24. Mantenere alti rapporti di consegna dei pacchetti anche in condizioni di forte congestione, ridurre la latenza end-to-end tramite la pianificazione adattiva e mantenere un throughput più elevato controllando trasmissioni ridondanti.
  2. Dimostra un miglioramento dell'efficienza energetica e una maggiore durata della rete grazie a riducibili ritrasmissioni e una distribuzione bilanciata del carico.
  3. Evidenzia l'idoneità di questo protocollo per le WSN abilitate IoT nelle applicazioni sanitarie, industriali IoT e smart city, dove la consegna tempestiva e affidabile dei dati è fondamentale.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Lo schema PRAM era fattibile in un ambiente di rete di sensori wireless con comunicazione a singolo salto e dimensioni limitate del buffer. Gli esperimenti sono stati condotti con diversi tassi di traffico e le prestazioni dello schema sono state confrontate con il tradizionale Aloha e una variante dell'Aloha basato su alberi (T-Aloha) in termini di throughput, ritardo medio di accesso e numero medio di buffer non vuoti. I risultati hanno chiaramente dimostrato che lo schema proposto ha ottenuto prestazioni superiori in ...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

I risultati dimostrano che il controllo della congestione è stato significativamente migliorato nelle reti sensori wireless abilitate IoT grazie all'integrazione di aggregazione ibrida, programmazione adattativa e adattamento neuro-fuzzy. In effetti, il nuovo protocollo è stato considerato ottenere prestazioni migliori rispetto alle basi solo aggregazione, solo schedulazione e PCCP in termini di consegna di pacchetti, latenza, throughput, efficienza energetica e durata della rete attrave...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori dichiarano di non avere interessi finanziari o relazioni personali in conflitto che possano aver influenzato il lavoro riportato in questo manoscritto.

Ringraziamenti

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

Gli autori ringraziano con gratitudine il supporto fornito dalla Vishwakarma University di Pune per le strutture di ricerca e l'assistenza amministrativa durante lo sviluppo di questo lavoro. Gli autori ringraziano inoltre il Dipartimento di Ingegneria Informatica per aver fornito l'infrastruttura computazionale necessaria per la simulazione e l'analisi. Questa ricerca non ha ricevuto alcuna sovvenzione specifica da alcuna agenzia finanziatrice nei settori pubblico, commerciale o non profit. Gli strumenti di grandi modelli linguistici venivano utilizzati esclusivamente per la rifinitura e la formattazione del linguaggio. Tutti i contenuti scientifici, i metodi e le analisi sono stati sviluppati interamente dagli autori. Tutto il testo generato tramite assistenza AI è stato revisionato e validato per accuratezza.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Modulo Aqua-Sim (opzionale)Repository di Estensione NS2–Utilizzato se vengono testati scenari WSN subacquei
Desktop/Laptop (Intel i5/AMD Ryzen 5, ≥ 8 GB di RAM, ≥ 20 GB di spazio)Disponibile in commercio–Usato per eseguire tutte le simulazioni
Compilatore GNU C/C++, Tcl/TkRepository Ubuntu–Necessaria per compilare NS-2
MATLAB R2022a (opzionale)MathWorkshttps://www.mathworks.comUtilizzato per modellazione ANFIS/fuzzy se preferito
Simulatore di rete NS-2.35Progetto ISI/NS2https://www.isi.edu/nsnam/ns/Ambiente di simulazione core
Risultati processati (.csv)Generati in questo studio-Metriche calcolate: PDR, ritardo, produttività, energia, durata
Python 3.10 (NumPy, SciPy, Pandas, Matplotlib)Python Software Foundationhttps://www.python.orgUtilizzato per analisi e tracciamento
Script di analisi PythonGenerati in questo studio-Script per analizzare tracce e generare grafici
File traccia grezzi NS-2 (.tr)Generati in questo studio-Contengono eventi di trasmissione a livello di pacchetto ed energia
File di configurazione della simulazione (topologia, modelli di traffico, seed casuali)Generati in questo studio-Necessari per replicare esperimenti
Ubuntu Linux 22.04 LTSCanonical Ltd.https://ubuntu.comSistema operativo per NS-2

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Reti IoTscheduling adattivocontrollore neuro fuzzyrapporto di consegna dei pacchettilatenza end to endconsumo energeticodurata della rete
Video in arrivo

Articoli correlati