方法論記事

ハイブリッド集約およびスケジューリング技術を用いたIoT対応無線センサーネットワークのインテリジェント輻輳制御メカニズム

DOI：

10.3791/69909

⸱

2026年1月13日

 ,  ,  ,  , 
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

この記事について

サマリー

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

このプロトコルは、ニューロファジィ意思決定層を補完するハイブリッド集約・スケジューリング技術を用いたスマート混雑制御手法を導入します。提案されたシステムはパケット配信、遅延、スループット、エネルギー効率を向上させ、ネットワーク寿命を延ばしつつ、変動するIoTワークロードにおいてQoSを確保します。

要約

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

IoT対応の無線センサーネットワーク(WSN)における混雑は、パケット配信、遅延、エネルギー消費を低下させ、特にバーストや異種トラフィック条件下でネットワークを損なう要因となります。このプロトコルは、ハイブリッドデータ集約、適応的スケジューリング、ニューロファジィ意思決定エンジンを組み合わせた知能的な輻輳制御技術を示し、ネットワーク負荷を効率的に処理します。この方法はまずシミュレーションデータを生成し、異なるノード密度のトポロジーを作成し、NS-2.35を使ってトラフィックパターンを設定することを含みます。各シナリオごとにパケットトレースを取得し、再現性のある評価を可能にします。プロトコルのワークフローは、2つのメカニズムの組み合わせを指します。(1) 優先度ラベルを保持しつつ、時間および数ベースのウィンドウでパケットを組み合わせるハイブリッド集約、(2) 重み付きラウンドロビンによる二重優先度キューを処理する適応型スケジューリングです。ニューロファジーコントローラは常にバッファ占有率、リンク品質、チャネル利用率、残留エネルギー、トラフィック優先度を評価します。これらの入力を用いて、ファジィ推論と神経適応学習によって集約深度、キュー重み、伝達決定を調整します。パフォーマンス測定タスクには、パケット配信比率、エンドツーエンドのレイテンシ、スループット、ノードレベルのエネルギー消費、ネットワーク寿命の計算が含まれます。結果の信頼性を確認するために複数回のランにまたがる統計分析が行われます。このアプローチは、ベースラインスキームと比べてシミュレーションでの性能が優れていることを示しています。このプロトコルは、IoT対応のWSN環境においてエネルギー効率が高くスケーラブルかつQoS認識型の運用を可能にするハイブリッド混雑制御手法を探求するための再現可能なフレームワークを提供します。

概要

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

モノのインターネット(IoT)の急成長により、数十億台の相互連結デバイスの展開が必要となり、そのうち無線センサーネットワーク(WSN)がほとんどの場合、リアルタイムの監視と意思決定支援を提供するために使われています1,2。これらのネットワークは、ヘルスケアモニタリング3、スマートシティ4、精密農業5、産業オートメーション6、環境センシング7など、まったく異なる分野におけるIoT対応システムの中核構造となっています。WSNは帯域幅、エネルギー、計算能力などの限られたリソースを持つセンサーノードで構成されています。これらの制限は問題を悪化させており、IoTトラフィックは非常に動的かつバースト的であるため、前述のネットワークは輻輳に非常に脆弱です。

このプロトコルは、中規模から大規模のIoT展開(150〜750ノード)に特に関連し、厳しいエネルギー制約のもとで周期的およびバースティ的な混合トラフィックが発生する場合です。このような状況は、医療監視、スマートシティセンシング、産業自動化システムなどで非常に頻繁に見られます。ノード9の限られたリソースにもかかわらず、信頼性の高い配信と低遅延の通信を確保する必要があります。

WSNの混雑は、パケットドロップ、キューイング遅延の増加、スループットの低下、エネルギー消耗の加速など、さまざまな原因でネットワークのパフォーマンス能力を深刻に妨げる可能性があります。ミッションクリティカルなIoTシナリオ、例えば遠隔医療や災害救援では、混雑による遅延やパケットロスが致命的な結果をもたらす可能性があります(11,12)。現在の輻輳制御方法は主に3つのカテゴリーに分かれます:トラフィックベースのスキーム(ソースレート制限、バックプレッシャー制御)13,14、集約ベースのスキーム(ネットワーク内データの組み合わせ)15,16、スケジューリングベースのスキーム(優先度キューイング、チャネル割り当て)9,17.したがって、これらの技術は一定の成功率を得ますが、単独で使用すると欠点もあります。例えば、トラフィックベースの手法は、ソースレートが選択的でなく低下するため、アプリケーション性能を悪化させることがよくあります。集約ベースの手法は冗長性を排除しますが、時間的に重要なフローに遅延をもたらします。スケジューリングに基づく戦略は公平性のレベルを高めることができますが、他の高トラフィック負荷がなければ効果的に機能しません。

トラフィックのみ、集約のみ、スケジューリングのみの方式と比較し、ハイブリッドニューロファジィ制御はパケット配信の信頼性、遅延、エネルギー消費のバランスの取れたトレードオフを提供します。リアルタイムネットワーク状態に基づく集約深度とスケジューリング優先度を共同で調整することで、提案されたアプローチは重く異種のIoTワークロード下での混雑をより効果的に緩和します18。

研究動機
IoT対応の無線センサーネットワークは異種でしばしばバーストトラフィックを発生させ、混雑、キューのオーバーフロー、過剰な再送信に対して脆弱です。既存のトラフィックベース、集約のみ、またはスケジューリングのみの方式は、動的負荷条件下でパケット配信、遅延、エネルギー消費のバランスの取れたトレードオフを達成できません。これらの制約を踏まえ、本研究は適応型集約、QoS認識スケジューリング、ニューロファジィ意思決定を組み合わせたハイブリッド混雑制御プロトコルを導入し、信頼性の高い遅延認識かつエネルギー効率の高いIoT-WSN環境での性能を提供します。

最近の研究では、アグリゲーションとスケジューリングを組み合わせてスループット、レイテンシ、エネルギー効率のバランスを取るハイブリッドメカニズムの可能性が強調されています21,22。ファジィ論理、強化学習、ニューロファジィ推論を用いた適応的手法は、動的ネットワーク状態への応答性をさらに高めます(23,24,25,26)。しかし、現在の多くの手法は静的な閾値に依存し、資源制約のあるノードには適さない計算オーバーヘッドを増加させ、異種なIoTワークロードに対しては堅牢でない27,28。したがって、軽量で適応的、トラフィックの変化に反応しつつネットワーク寿命を延ばせるインテリジェントな輻輳制御メカニズムの需要は依然として非常に高いです。

IoT対応WSNにおける信頼性、QoSの向上、安全なデータ処理機能を引き出すために様々な研究が行われています。エネルギー認識型障害検出・復旧方式29,30は、変化する環境下での堅牢性とエンドツーエンドのパフォーマンスを向上させることが示されています。軽量なブロックチェーンプロトコルは、IoT-WSNアプリケーションにおけるデータ通信のさらなる安全性向上に利用できます。階層的なルールベースの故障検出手法の実装は、リソース制約のあるセンサー展開におけるQoSの維持にも役立ちます。これらの改善は、現代のIoTシステムにおける信頼性、セキュリティ、資源の効率的な利用と統合可能な混雑制御ソリューションの需要を示しています。

WSNの輻輳制御技術は広く研究されていますが、現行のソリューションは主に単一層メカニズムのみを考慮しており、トラフィックレート調整、集約、スケジューリング15のいずれかです。しかし、問題のプロトコルは、ハイブリッドアグリゲーション、優先度認識スケジューリング、神経的ファジィ意思決定が共同で相互作用し、相互に継続的に更新し合う多層適応メカニズムを特徴としています。標準的なファジィのみ手法とは異なり、NFDEはANFISガイド付きニューロ適応チューニングを採用しており、実際のトラフィックパターンに応じてメンバーシップ関数やルールパラメータをリアルタイムで変更できます。提案されたプロトコルは、統合されたクロスレイヤー調整とIoTハードウェアに適した軽量計算能力という点で、他のモデルと大きく異なります。

本論文以前には、WSNにおける混雑に関する多くの研究が行われており、リンク、バッファオーバーフロー、または中規模競合レベルでの混雑に対応する数百のアルゴリズムが報告されている多くの調査からもそれが証明されています。ほとんどのソリューションはこれらの問題を単一のプロトコル層で解決するために設計されていますが、多層適応混雑制御の問題はほとんど取り組まれていません。本研究は、IoTクラスハードウェア向けの軽量ニューロファジーモジュールとクロスレイヤー適応を組み合わせることで、その空白を埋めています。

これらの問題を踏まえ、本研究はIoT対応WSN向けにハイブリッド集約とスケジューリング技術をニューロファジィ意思決定エンジンと統合できるインテリジェントな輻輳制御メカニズムを提案しました。集約コンポーネントは、時間ベースのウィンドウとパケットカウントウィンドウの両方を活用することで冗長な送信を軽減します。スケジューリングコンポーネントは、重要フローと非重要フローの二重キュー間での重み付けラウンドロビンによって公平性とQoS準拠を保証します。ニューロファジィエンジンは主要なネットワーク状態変数を追跡し、占有率、チャネル利用率、残留エネルギー、リンク品質、トラフィック優先度を共同でバッファリングします。神経適応学習で強化されたファジィ推論ルールを用いることで、コントローラーは集約の深さ、スケジューリングの重み、伝達速度を変更します。このようなクローズドループシステムにより、リアルタイムの混雑状況でもプロトコルは十分に柔軟に対応できます。

主要な研究課題を設定し、研究の範囲と重要性を明確に示すことができました。研究を導いた研究課題は以下の通りです。
RQ1: ハイブリッド集約とスケジューリングは、単独の方法よりもIoT対応のWSNにおける混雑をより効果的に削減するにはどうすればよいのでしょうか?
RQ2: ニューロファジィ意思決定エンジンは、異なるトラフィック負荷下でのネットワーク状態に適応する上でどのような役割を果たしますか?
RQ3: 提案されたプロトコルは、従来の輻輳制御方式と比べてパケット配信率、遅延、スループット、エネルギー効率をどのように向上させるのでしょうか?
RQ4: 提案されたプロトコルは、多様なIoTアプリケーションでQoSを維持しつつネットワーク寿命を延ばすことができるのでしょうか?

この研究の貢献は4つあります。主な主張は、IoT対応WSNにおける輻輳制御のためのニューロファジー適応を用いたハイブリッド集約およびスケジューリングフレームワークです。第二のポイントは、異なるネットワークサイズやトラフィック強度下でのパフォーマンスを検証するための再現可能なシミュレーションフレームワークを実装していることです。第三に、パケット配信、遅延、スループット、エネルギー効率、寿命の定量的な進歩を基準と比較して示します。最終的には、データ、設定ファイル、解析スクリプトを提供し、開放性と再現性を実現します。

ファジィのみ、集約のみ、スケジューリングのみ、DRLベースの混雑制御手法には限界があり、提案された研究では多層適応ハイブリッド集約、デュアルキュー適応スケジューリング、ニューロファジィ意思決定エンジンを用いて、これらすべてを単一の軽量かつハードウェアに優しいフレームワークに統合することで解決しています。計算コストが高く収束に時間がかかるDRLベースの手法とは対照的に、提案されたニューロファジィ層はほぼリアルタイムで操作を、はるかに低いエネルギーとCPU使用量で実行できます。したがって、IoTクラスのセンサーノードに最適です。 表1 では、提案された方法とともに様々な混雑制御手法が比較されています。

表1:既存の混雑制御アプローチと提案方法の比較。 この表は、ファジィのみ、集約のみ、スケジューリングのみ、DRLベースのアプローチなど、無線センサーネットワークにおけるさまざまな混雑制御手法の最も重要な特徴、利点、限界を示しています。提案された手法の独自性を指摘し、ハイブリッド集約、適応優先スケジューリング、軽量なニューロファジィ意思決定エンジンを組み合わせ、低コストで多層適応を実現しています。両者の比較により、導入されたプロトコルはより良いPDR、低遅延、バランスの取れたスループット、そしてエネルギー効率の向上を実現しつつ、資源制約のあるIoT-WSNデバイスとも互換性があることが示されています。 この表をダウンロードするには、こちらをクリックしてください。

関連活動
IoT対応無線センサーネットワーク(WSN)における輻輳制御に関する最近の研究では、純粋な集約、トラフィックスロットリング、スケジューリングといった単一層技術は、バッファオーバーフロー、衝突、深刻なエネルギー浪費を引き起こす異種的かつバースト的なトラフィック負荷に対して不十分であることが示されています¹⁵。したがって、ハイブリッド集約スケジューリング方式は、ノード密度が6,7,8,10にスケールする中で、冗長な伝送を同時に減らし、競合を制御する点で注目を集めています。クロスレイヤーのバリアントはルーティング、クラスタリング、MACレベルのスケジューリングを統合し、収束流と混合QoSワークロードを安定化させます 11,12,13 に対し、ファジィまたはヒューリスティックトリガーはローカル混雑信号に基づいて集約の深さとサービス規律を調整します 14,15,16.ソフトコンピューティング技術はさらに応答性を向上させます。ファジィコントローラはバッファ占有率、リンク品質、再送信9、17、21からキュー状態を推定し、ニューロファジィシステムは、パケット配信比率(PDR)、レイテンシ、スループット、エネルギー使用量にわたり多目的最適化のためのルール重みを学習することでこれを強化します 22,23,24。一方、深層強化学習(DRL/RL)アプローチはレート制御、キャッシュ、スケジューリングを管理し、生成/最適化ベースのフレームワークはストレス下でクラスターやルートを再構成し、ローカルトラフィックの挙動を調整します。これら多様なアプローチにおいて、インテリジェントハイブリッドはキューのスピローバー抑制、競合ウィンドウの安定化、遅延の低減、そしてトラフィック状況に応じてスループットとエネルギー効率を向上させることで、静的手法を一貫して上回っています(8,9,12,24,25,26,27,28,29,30)。、32、33、34。

並行して、エネルギーレベル、リンク条件、アプリケーションの優先順位に合わせて輻輳制御パラメータを適応させることで、ネットワーク寿命とQoSの向上に焦点を当てています。研究によれば、相関パケットを集約することで送信回数が減少し、適応型スケジューリングは競合、アイドルリスニング、衝突ストーム(14,17,18,27,30,32,33,34,35,36)を最小限に抑えることが示されています.優先度ベースのメカニズムは緊急の医療や産業トラフィックを保護しつつ、非重要テレメトリのペース配分を行います。18,32,33,35、そして高負荷シナリオでのファジィ/ニューロファジィルーティング、クラスタリング、レート制御はさらに滑らかな振動を実現します。ルーティング37、クラスタリング38、長期混雑認識マッピング39のAI最適化、インテリジェント故障検出40、ブロックチェーン対応の安全な通信31、エネルギー認識型リカバリーなど、統合型かつコンテキスト認識型輻輳ソリューションへのトレンドが高まっていることを示しています。これらの進歩にもかかわらず、既存の多くのアプローチは、多様なIoTワークロード間で集約、スケジューリング、インテリジェントな適応を共同で調整できる統一的で軽量なリアルタイムフレームワークをまだ持っていません。このギャップが、現代のIoT対応WSN環境においてスケーラブルでQoS意識が高くエネルギー効率の高いパフォーマンスを実現するために、ニューロファジー意思決定を活用したインテリジェントハイブリッド混雑制御システムの開発を促しています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

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

1. シミュレーション環境の設定

  1. 少なくともIntel i5プロセッサ、8GB RAM、20GBストレージを備えたワークステーションにUbuntu 22.04 LTSをインストールしてください。GNU C/C++コンパイラおよびTcl/TkライブラリをNS-2.35のコンパイルと実行に設定してください。
  2. 分析とプロット作成のために、Python 3.10とNumPy、SciPy、Pandas、Matplotlibをインストールしてください。NS-2のエネルギーおよびキュー監視モジュールを有効にし、エンキュー、デキュー、ドロップ、配送、エネルギー消費のイベントを記録できます。
  3. 各実験を独立したランダムシードを使って5回実行し、再現性を確保しましょう。
  4. シミュレーションディレクトリを構成、スクリプト、結果、解析用のサブフォルダに構成し、Markdownログで設定や結果を記録します。
    注:シミュレーションワークフローで使用されるすべてのTCL設定ファイル、NFDE実装スクリプト、解析ユーティリティは 補足ファイル1に含まれています。

2. ネットワークトポロジーとトラフィック生成

  1. 150、300、450、600、750ノードを600×600 m²の展開エリア内に均一に分散した無線センサーネットワークトポロジーを生成します。
  2. 各ノードを25 Jのエネルギー、75 mの伝送範囲、250 kbpsの帯域幅で初期化し、IoTクラスのデバイスを表現します。
  3. シンクノードを中心またはネットワーク境界に配置して、異種なルーティングパスを作成します。
  4. 1パケット/秒の周期的な一定ビットレートフローと、20〜30秒続くイベント駆動のバースト(5〜10パケット/秒)からなるトラフィックモデルを導入します。
  5. バックグラウンドトラフィックと高優先度トラフィックを組み合わせて、プロトコルがフローを識別・優先順位付けする能力をテストします。シミュレーションパラメータの要約は 表2に示されています。
  6. NS-2シミュレーション構成パラメータ
    1. ルーティングプロトコル:すべてのシミュレーションにアドホックオンデマンド距離ベクトル(AODV)ルーティングを使用します。以下のキーパラメータを設定します:Hello間隔:1秒、アクティブルートタイムアウト:3秒、TTL開始/最大:2 / 7ホップ。
      注:AODVは軽量な制御パケットオーバーヘッドと動的IoT/WSNトポロジーへの適性から選ばれています。
    2. MAC構成:MACプロトコルIEEE 802.11 DCF(分散調整機能)を使用します。以下の重要なパラメータを設定する:基本レート:1 Mbps、データレート:250 kbps(WSNクラスデータレート)、RTS/CTS:無効化(典型的な低消費電力WSNセットアップに従い)、CWmin = 31、CWmax = 1023、スロット時間 = 20 μs、SIFS = 10 μs、DIFS = 50 μs。
    3. キュー設定:デュアルプライオリティスケジューリングをサポートするためにPriQueueタイプを設定し、キュー長(IFQ長)を50パケットに設定します。キューマッピングを高優先度トラフィックをキュー1に、通常トラフィックをキュー2に設定します。キューの動作をオーバーフロー処理用のDropTailに設定します。
    4. 伝播モデル:距離とともにパスロスが増加する典型的なIoT/WSN屋外環境にはTwoRayGroundを選択します。クロスチェックモデルパラメータはアンテナ高さ1.5m、システム損失係数1.0、最小受信電力閾値−95dBmと設定します。
    5. インターフェースおよびアンテナモデル:ワイヤレスインターフェースタイプをPhy/WirelessPhyとして設定します。以下のネットワークインターフェース設定を設定します:インターフェースキュータイプ:Queue/DropTail/PriQueue、ネットワークインターフェース:優先サービス用のCMUPriQueue。アンテナモデルをAntenna/OmniAntennaに設定してください。なぜなら、典型的なセンサーのモート(MicaZ、TelosBなど)を反射するためです。
    6. IFQ長とパケットサイズ:インターフェースキュー長(IFQLength)を50パケットに設定し、これにより現実的なトラフィックピーク時に輻輳が発生することが保証されます。以下のパケットサイズパラメータを設定します:デフォルトのCBRパケット:512バイト、MACヘッダー:+36バイト、AODVコントロールパケット:+32バイト。断片化の閾値を「なし(断片化無効)」に設定してください。
    7. チャンネル設定:チャンネルタイプをChannel/WirelessChannelに設定し、周波数を2.4 GHz ISMバンド(共通IoT周波数)、帯域幅を250 kbpsに、デュプレックスをハーフデュプレックスに設定します。リンク層パラメータを、初期エネルギー:25 J、送信電力:0.66 W、受信電力:0.395 W、アイドル時電力:0.035 W、スリープ電力:0.003 Wと設定します。ノイズフロアを−100 dBm、搬送波センス閾値(CST)を−94 dBmに設定します。

表2:提案された輻輳制御プロトコルの評価に使用されたNS-2.35シミュレーションパラメータ。 この表は、展開エリアのサイズ、ノード密度、エネルギー関連パラメータ、MACおよびルーティング構成、キュー構造、伝播モデル、パケットサイズ、制御閾値など、NS-2.35のすべてのシミュレーション構成を収集しています。これらのパラメータは、ハイブリッド、集約のみ、スケジューリングのみ、ベースライン混雑制御スキームの性能比較において、実験環境の完全な再現性を保証する役割を果たします。 この表をダウンロードするには、こちらをクリックしてください。

3. 方法論アーキテクチャ

  1. 提案されたプロトコルは、ハイブリッド集約、適応スケジューリング、ニューロファジー意思決定エンジンを統合して設計します。
  2. ハイドアグリゲーションを実装し、時間ベースまたはパケットカウントウィンドウ内でパケットをまとめつつ、重要なトラフィックの優先タグを保持します。
  3. アダプティブスケジューリングを使って、クリティカルフロー用と非クリティカルフロー用の2つのキューを管理し、動的に調整可能なキューウェイトを持つ重み付きラウンドロビンスケジューリングを適用します。
  4. ニューロファジィ意思決定エンジンを用いてバッファ占有率、チャネル利用率、残留エネルギー、リンク品質、トラフィック優先度を監視します。
  5. これらの入力をファジィなメンバーシップ関数にマッピングし、推論ルールを適用して集約の深さやスケジューリングの重みを最適化し、神経適応学習を通じてシステムの意思決定を微調整します。
    1. NFDEモデル構造:ニューロファジィ意思決定エンジン(NFDE)を、5つの入力変数と3つの出力制御パラメータを持つ1階Sugeno適応ニューロファジィ推論システム(ANFIS)として実装します。システムは5層アーキテクチャを採用しています
      レイヤー1 - 入力ファジファイズ:シャープなセンサー値を所属度に変換します。
      レイヤー2 - ルール発射強度:積推論を用いてルールの発射強度を計算します。
      レイヤー3 - 正規化:発射強度を正規化します。
      レイヤー4 - 線形出力項:重み付けされた線形出力を生成します。
      レイヤー5 - 出力集約:結果を組み合わせて集約深度、スケジューリング重み、送信レートの調整を行います。
      各規則は次の形をとります:もし(BはX1)と(CはX2)、(EはX3)、(LQIはX4)、(PはX5)→ f = p1·B + p2·C + p3·E + p4·LQI + p5·P + p0。
      このモデルは複雑性制約に応じて15〜25のルールを含みます。
    2. 入力変数と出力変数
      1. 5つの入力変数を設定します。すなわち、b アファー占有率(B) - 現在のキュー長とIFQ長の比率(0-1)、c hannel 利用率(C)- MACの忙しい時間割率(0-1)、r 残留エネルギー(E)- 残りエネルギー分数(0-1)、l インク品質指標(LQI)- 正規化されたリンク成功確率(0-1)、およびtのラフィック優先度(P)で、1.0をクリティカル、0.0を非クリティカルとします。
      2. 3つの出力変数を設定します。すなわち、集約深さ(A*)- 集約推奨パケット数(範囲1-6)、sチェスジューリング重み(W*)- 高優先度キューに割り当てられた重み(0.3-0.8)、rate調整(R*)- 送信レートのスケーリング(−20%から+10%)。
    3. すべての入力は0から1の範囲で定義された三角形または台形の所属関数を使用します。m個のエンバー(火のつき)関数を以下の数値範囲で設定します。
      バッファ占有率(B)- 低:trapmf(0.0, 0.0, 0.20, 0.40)、中:トリムf(0.30, 0.50, 0.70)、最高: trapmf(0.60, 0.80, 1.0, 1.0)
      チャンネル利用率(C) - 低:トリムf(0.0, 0.15, 0.30)、ミディアム: トリムf(0.25, 0.50, 0.75)、高: トリムf(0.70, 0.85, 1.0)
      残留エネルギー(E) - 高値:trapmf(0.70, 0.80, 1.0, 1.0)、中値:trimf(0.40, 0.55, 0.70)、低値: trapmf(0.0, 0.0, 0.30, 0.50)
      リンク品質指標(LQI) - 良好:trapmf(0.70, 0.80, 1.0, 1.0)、中程度:trimf(0.40, 0.55, 0.70)、悪い: trapmf(0.0, 0.0, 0.30, 0.45)
      トラフィック優先度(P) - 非クリティカル:trimf(0.0, 0.0, 0.1)、クリティカル: trimf(0.9, 1.0, 1.0)
      出力メンバーシップ関数 - Sugeno ANFISは鮮明な線形出力を使用しているため:
      A*(集計深度) = a1·入力 + a0([1,6]にクリップ)、W*(優先重み) = w1·入力 + w0、[0.3,0.8]にクリップ、R*(レートファクター)= r1·入力 + r0、[−0.20, +0.10] にクリップ
    4. ルールベースの定式化:完全なルールベースは通常、計算能力の限界に応じて15〜25のルールを含みます。典型的なルール部分集合を次のように設定します。
      もしB = 高くC = 高い→ A*を減らし、W*を増やし、R*を減らします。
      もし B = 中等 、 E = 高 、 P = 臨界 →中等度のA*の場合、W* を増加させます。
      LQI=悪い→は再送信を減らすためにA*を増やしてください。
      E = 低い→ R* を還元すれば、A* を縮減します(エネルギー保存)
      C = 低かつ P = 臨界→ W* を高く設定します
      B = 高く LQI = 良好なら→ A* を減少させ、R* を増加させます
      注:ニューロファジールールシステムの特徴。ファジィルールシステムは、従来の輻輳制御方式と2つの点で異なります。
      マルチ入力結合:キュー占有率、チャネル利用率、集約深度、パケット優先度の指標を共同で考慮します。既存のファジィWSNコントローラではほとんど組み合わせられません。
      ニューロ適応型ルールチューニング:初期ルールは専門家によって定義され、その後ANFIS学習を用いて最適化され、ルールの強さや出力パラメータを実際のネットワーク条件に合わせて更新します。代表的なルールには以下が含まれます:
      キュー占有率が高くチャネル利用率が高い場合は、送信速度を下げて集約深さを増やします。
      キュー占有率が中程度で優先度が高い場合は、スケジューリングの重みを増やします。
      残留エネルギーが低い場合は再送信を制限し、キュー圧力を下げます。
      これらの動的ルール調整により、静的ファジィシステムに比べてより応答性の高い輻輳緩和が可能になります。
    5. 会員機能と規則を定義し調整すること。まず、予備研究として行われたNS-2シミュレーショントレンドの経験的範囲に基づいて、あいまいなメンバーシップ関数を設定しました。これらの傾向にはバッファ占有率、チャネル利用率、残留エネルギー、LQI分布が含まれます。次に、ANFISの学習手順を通じてこれらのメンバーシップ関数を調整し、勾配降下を用いてMF境界とSugeno出力パラメータの両方を最適化します。専門家が導き出したヒューリスティックから、最初の曖昧なルールベースを作成します。その後、神経適応システムを訓練し、代表的なトラフィックパターンに応じてルールの重みやパラメータが更新されるまで続けます。これにより調整が可能になります。
    6. NFDEの計算負荷を評価し、IoTクラスのセンサーノードに適しているかどうかを判断してください。推論時間は、通常72 MHzで動作するCortex-M4マイコンで約1.2〜1.8 msです。すべてのメンバーシップ関数およびルールパラメータのメモリ消費量が40 KBを超えないようにしてください。すべてのANFISトレーニングはセンサーノードではなくオフラインで行ってください。非常に低い計算負荷でリアルタイムの適応性を維持するために、展開時には軽量推論部分のみを使用するべきです。
    7. 訓練手順:ハイブリッドANFISアルゴリズムを用いたオフラインのNFDE訓練
      フォワードパス(最小二乗推定):スグノルールの線形パラメータを決定する。
      後方通過(勾配降下):非線形MFパラメータを更新します。
      1. 訓練パラメータを訓練データセットサイズとして設定します:シミュレートされた交通状態から生成された15,000サンプル、エポーク数:50、学習率(α):0.01、エラー許容範囲:1 x 10 ⁻⁴、早期停止:3エポック連続で改善なし、最適化目標:NFDE出力とグラウンドトゥルース制御プロファイル間のRMSEを最小化すること。
  6. 混雑は状態レベルおよびサブコンディショナルレベルの両方で明らかになります。IFQが容量制限に近づく際に、キュー占有レベル、キュー成長率、パケットドロップイベントを検査することでノードレベルの輻輳を区別します。MACの繁忙時間の持続的な増加、長いバックオフ間隔、衝突確率の上昇によるチャネルレベルの混雑を推測します。これらの信号は常にニューロファジィ意思決定エンジンに供給され、混雑の重度を判断し、自律的な制御措置を発行します。
  7. 混雑検知後、NFDEは集約範囲を広げてパケット伝送を減らし、トラフィックの重要性に応じたスケジューリング重みを再構成し、送信速度を下げてキューを正規化します。検出メカニズムをアプリケーション層から分離し、トラフィックの種類が異なっても輻輳処理が維持されます。
  8. パラメータを1〜2秒ごとに更新し、ほぼリアルタイムの応答性を高めます。表3を使って、Neuro-Fuzzy Decision Engineで適用されたメンバーシップ関数のパラメータ、出力範囲、代表的なファジィルールを参照してください。上記の数値MF値、Sugenoの出力境界、例の意思決定ルールを参照して、コントローラーの推論および適応動作を正確に再現してください。
  9. 分析は主に4つの段階に分けて実施します。
    セットアップ:NS-2.35、Python解析ツールを準備し、ネットワークトポロジーとトラフィックパターンを生成します。
    パラメータチューニング:集約深度、スケジューリング重み、インターフェースキューパラメータ、NFDEメンバーシップ機能および学習設定を設定できます。
    シミュレーション実行:複数のノード密度とトラフィック負荷ですべてのシナリオを実行し、NS-2トレースファイルを全て収集し、エンキュー、デキュー、ドロップ、デリバリー、エネルギー状態などのキーイベントをログ化します。
    分析:Pythonスクリプトを用いてPDR、レイテンシ、スループット、エネルギー、ライフタイムの指標を抽出し、ベースライン全体で統計的有意性を計算します。
    注:このワークフローは構成から解析までの明確で再現可能なシーケンスを提供し、 図1に示されています。

表3:ニューロファジィ意思決定エンジンで使用されるファジィ所属関数、出力範囲、代表ルール。 5つの入力変数はすべて三角形および台形の所属関数を持ち、表はそれらの正確な数値パラメータを示しています。表はまた、スヘノ型出力の運用範囲も示しています。代表的なファジィルールは、システムがネットワーク条件をどのように解釈して集約深度、キュースケジューリングの重み、送信レートのスケーリングを調整するかを示しています。再現性パラメータの中には、MF数、ルールセットのサイズ、学習率、更新間隔などがあり、これらはNFDEの直接的な再現を促進するために存在します。 この表をダウンロードするには、こちらをクリックしてください。

図1
図1:IoT対応無線センサーネットワーク向けのインテリジェント輻輳制御プロトコルのアーキテクチャ。 ハイブリッド混雑制御ポリシーの包括的統合ワークフローはこの図に示されています。ネットワーク状態の測定値(バッファ占有率、チャネル利用率、残留エネルギー、リンク品質、トラフィック優先度)はメンバーシップ関数層とニューロファジィ意思決定エンジンに入力され、集約深度、スケジューリング重み、伝送速度調整などの適応制御変数が生成されます。これらの変数はハイブリッドアグリゲーションモジュールと適応スケジューリングモジュールを制御し、より高いパケット配信比率、低遅延、低エネルギー消費、ネットワーク寿命の延長といった共同最適化されたトラフィック指標を可能にします。略称:NF = ニューロファジー、PDR = パケット配信比率、WRR = 加重ラウンドロビン、WSN = ワイヤレスセンサーネットワーク、IoT = モノのインターネット、AQM = アクティブキュー管理(該当する場合)、RSSI = 受信信号強度インジケーター(該当する場合)。 この図の拡大版はこちらをクリックしてご覧ください。

4. データセットの詳細

注:本研究で使用されたシミュレーションデータセットはNS-2.35環境を用いて内部生成されており、ファイルサイズの制約により公開リポジトリには格納されていません。しかし、データセットを再現するために必要なすべての設定ファイル、TCLスクリプト、NFDEコード、Python解析スクリプトは、以下のGitHubリポジトリで公開されています:https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN。研究者は提供された設定ファイルやスクリプトを実行することで、データセット全体を再生成できます。追加のデータファイルは、合理的な要望があれば著者から提供可能です。

  1. データセットは、設定ファイル、ランダムシードリスト、生のNS-2トレースファイル、処理済みCSV結果、トレース解析および可視化用のPythonスクリプトを生成することで準備します。
  2. データセットの出典の説明:
    1. 外部や公開リポジトリから取得するのではなく、NS-2.35シミュレーションプラットフォームを使ってデータセット全体を生成してください。
    2. NS-2.35を設定し、各シミュレーション実行ごとに生のトレースファイル(エンキュー、デキュー、ドロップ、デリバリー、MACイベント、ノードレベルのエネルギーログなど)を出力します。
    3. シミュレーションワークフローの一環として、すべてのトポロジー、交通パターン、パラメータ設定をプログラム的に作成します。各シナリオが約20MBの生のトレースデータを生成し、すべての実験出力をプロジェクトディレクトリ内に保存すること。
    4. これらのトレースファイルをPythonスクリプトで処理し、パケット配信比率、遅延、スループット、消費電力、ネットワーク寿命の指標を抽出します。
    5. 本研究では第三者や外部のデータセットは使用していません。
  3. ノード密度、トラフィック強度、ランダムシードを含む75のシナリオをカバーします。
  4. シナリオごとに約20MBの生トレースデータと1〜2MBの処理済み結果が予想され、合計データセットサイズは約2GBとなります。

5. シミュレーション実行

  1. 各シミュレーションを900秒実行します。提案されたプロトコルを、集約のみ方式、スケジューリングのみ方式、PCCPベースラインの3つの代替案と比較してください。
  2. すべてのプロトコルで同一のネットワークトポロジーとランダムシードを使用して比較性を確保しましょう。各ランからトレースファイルを集め、ノード密度、トラフィック負荷、プロトコルタイプごとに結果ディレクトリに整理します。

6. データ分析

  1. Pythonスクリプトでトレースファイルを解析し、パケット配信比率、エンドツーエンドの遅延、スループット、ノードごとのエネルギー消費、ネットワーク寿命(最初のノードの死去までの時間および50%のノード死までの時間)を計算します。
  2. 5回のランにまたがる平均結果を95%信頼区間±報告します。
  3. 正規分布データにはペアt検定を適用し、それ以外にはWilcoxon署名順位検定を適用し、p <0.05で差を有意とみなします。

7. ソフトウェア利用のための運用指針

  1. NS-2実行とTclスクリプト呼び出し
    1. NS-2.35を使用して、提供されたTclファイル(hybrid_protocol.tcl)を使ってシミュレーションシナリオを実行してください。
      単一のシナリオを実行してください:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      フラグ:-nn(ノード)、-seed(シード)、-traffic(cbr|bursty)、-out(トレースファイル)。
      バッチ実行:./configs/run_experiment.sh
  2. トレース解析とメトリック抽出のためのPythonスクリプト
    1. トレースを解析する
      Python Analysis/parse_ns2.py traces/out_300_seed3.tr --o results/metrics_300_3.csv
    2. 集計指標
      Python解析/compute_metrics.py結果 --要約結果/summary_all.csv
    3. プロット生成
      Python分析/plot_metrics.py結果/summary_all.csv --出力図/
  3. NFDEの訓練と推論
    1. トレーニングデータの生成
      Python NFDE/anfis_train.py --generate 15000 --out NFDE/training_data.csv
    2. 列車 NFDE
      Python NFDE/anfis_train.py --train nfde/training_data.csv --epochs 50 --lr 0.01 --out NFDE/nfde_model.pkl
    3. NFDE推論を実行する
      python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. 期待される結果

  1. 提案されたプロトコルがベースライン方式6、7、13、14、17、24よりも優れていることを示す。激しい混雑状況下でも高いパケット配信比率を維持し、適応型スケジューリングによりエンドツーエンドの遅延を削減し、冗長な伝送を制御することで高いスループットを維持します。
  2. 再送電の削減と負荷の均衡分配を通じて、エネルギー効率の向上とネットワーク寿命の延長を示します。
  3. このプロトコルが、タイムリーかつ信頼性の高いデータ提供が不可欠な医療、産業用IoT、スマートシティアプリケーションにおけるIoT対応WSNへの適性を強調してください。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

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

PRAM方式は、単一ホップ通信と限られたバッファサイズを持つ無線センサーネットワーク環境で実現可能でした。実験は異なるトラフィックレートで行われ、スループット、平均アクセス遅延、平均非空バッファ数の面で従来のAlohaおよびツリーベースのAlohaのバリエーションであるT-Alohaと性能が比較されました。結果は、提案されたスキームが上記のすべての指標で優れた性能を達成していることを明確に示しました。

各実験傾向がプロトコルと機械的にどのように結びついているかを明確に示すために、以下の解釈を提供します。
パケット配信比率(PDR)とノード密度の違い
ノード密度が増加すると、リレーノードやボトルネック地域での資源競争が激化します。測定されたPDRの向上は、ハイブリッド集約法が効果的であることの強い指標であり、送信の冗長性が減少しています。これにより、トラフィックはより規則的になり、上流キューの混雑も緩和されます。集約方式こそが、密度が上がるにつれてパケットロスが低くなる主な理由です。したがって、適切に制御された集約深度が、ネットワークが重負荷であってもPDRを維持する上で...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

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

結果は、ハイブリッド集約、適応スケジューリング、ニューロファジー適応の統合により、IoT対応の無線センサーネットワークにおいて輻輳制御が大幅に改善されたことを示しています。実際、新しいプロトコルは、パケット配信、遅延、スループット、エネルギー効率、ネットワーク寿命の面で、集約のみ、スケジューリングのみ、PCCPベースラインよりも優れた性能をノード密度やトラフィック状況で達成していると見られています。実際、これらの利点は、複数のメカニズムを調整するための知的意思決定エンジンを用いたソリューションの優位性を説得力のある議論となっており、孤立した輻輳制御技術を用いるソリューションよりも優れていると言えます。

信頼性に影響を与える重要なステップ
NS-2シミュレーション環境の正確な配置、特にルーティングパラメータ、MAC競合設定、デュアルキュー構造は基本的なことであり、誤った設定は混雑制御戦略の利点を隠してしまう可能性があります。また、ニューロファジィ意思決定エンジン(NFDE)のキ...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

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

著者らは、この原稿で報告された研究に影響を与えた可能性のある競合する財政的利害関係や個人的な関係はないと述べています。

謝辞

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

著者らは、本研究の発展に伴う研究施設および管理支援に対してプネーのヴィシュワカルマ大学から提供された支援に感謝の意を表します。また、シミュレーションと解析に必要な計算インフラを提供してくれたコンピュータ工学科にも感謝しています。この研究は、公共、商業、非営利分野のいかなる資金提供機関からも具体的な助成金を受けていません。大規模言語モデルツールは言語の磨き上げやフォーマット作成のみに使用されていました。すべての科学的内容、方法、分析はすべて著者自身によって開発されました。AI支援によって生成されたすべてのテキストは、正確性のために審査・検証されました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
アクアシムモジュール(任意)NS2拡張リポジトリ–水中WSNシナリオがテストされた場合に使用されます
デスクトップ/ノートパソコン(Intel i5/AMD Ryzen 5など;8GB RAM、20GBストレージ)市販–すべてのシミュレーションを実行していました
GNU C/C++ コンパイラ、Tcl/TkUbuntu リポジトリ–NS-2のコンパイルに必要なもの
MATLAB R2022a(任意)マスワークスhttps://www.mathworks.comANFISやファジィモデリングに使用します。
NS-2.35 ネットワークシミュレーターISI/NS2プロジェクトhttps://www.isi.edu/nsnam/ns/コアシミュレーション環境
処理済み結果(.csv)本研究で生成されたもの-計算された指標:PDR、遅延、スループット、エネルギー、寿命
Python 3.10 (NumPy、SciPy、Pandas、Matplotlib)Pythonソフトウェア財団https://www.python.org解析およびプロット作成に使用
Python解析スクリプト本研究で生成されたもの-トレースを解析しプロットを生成するスクリプト
生のNS-2トレースファイル(.tr)本研究で生成されたもの-パケットレベルの伝送およびエネルギーイベントを包含
シミュレーション設定ファイル(トポロジー、トラフィックモデル、ランダムシード)本研究で生成されたもの-実験の再現に必要
Ubuntu Linux 22.04 LTSキャノニカル社https://ubuntu.comNS-2用オペレーティングシステム

参考文献

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

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

IoT
動画は近日公開

関連記事