에너지 및 노드 수명 분석을 위한 이기종 네트워크 모델을 위한 새로운 자가 최적화 울프 최적화 모델링

Summary

이 연구는 무선 센서 네트워크에서 에너지 인식 클러스터링 및 라우팅을 위한 자가 최적화 늑대 옵티마이저(SOWO)를 구현하고 평가하는 프로토콜을 제시하며, 단계별 설정과 재현 가능한 평가를 통해 수명, 처리량, 잔류 에너지를 개선합니다.

Abstract

감시, 정보 수집, 고위험 환경에서 더 안전한 장소로의 데이터 전송과 같은 중요한 서비스는 여전히 무선 센서 네트워크(WSN)에 의해 제공됩니다. 이러한 서비스는 이러한 목적을 위해 설계된 대부분의 에너지 효율 라우팅 프로토콜에 의해 개선됩니다. 동질적 라우팅 프로토콜이 적용되어 먼 허브의 에너지 사용을 더 효율적으로 줄이고; 하지만 이 프로토콜은 에너지 사용률이 더 높고, 신뢰성이 낮으며, 장기간 사용 시 무선 라우터(WR)나 기지국(BS)에 불리한 정보 방송이 더 많습니다. 이러한 단점을 극복하기 위해 이 연구에서는 수정된 자가 최적화 늑대 최적화기(SOWO)가 사용되었습니다. 현재 접근법에 이기종 노드를 포함시키고, 남은 에너지를 기준으로 헤드를 선택하는 것은 연결 전반에 걸쳐 다층 상호작용 전략을 도입합니다. 에너지 홀 제거 방법을 사용하는 것이 개발된 라우팅 기법의 기초입니다. 각 접근법은 네트워크의 수명을 연장하고 에너지 소비를 줄이는 것을 목표로 합니다. 연구 결과를 바탕으로 제안된 라우팅 방식은 기존 방식에 비해 우수한 일관성 기간, 잔류 에너지, 처리량, 네트워크 수명을 입증합니다. 이 연구는 노드당 에너지 예산이 좁은 환경에서 수명과 지속 가능한 전달을 극대화하면서 부하와 공정성을 유지하는 고전적인 클러스터 WSN 문제를 다룹니다. 시뮬레이션 결과는 기존 알고리즘에 비해 네트워크 안정성과 잔류 에너지가 각각 3.4%와 32.22% 향상됨을 보여줍니다.

Introduction

무선 센서 네트워크(WSN)와 사물인터넷(IoT)은 다양한^{기술 문제에 널리} 적용되고 있습니다. WSN은 로봇이 다양한 심부름을 수행하는 등 다양한 상황에서 물건을 옮기는 데 사용되어 왔습니다. 처음부터 IoT는 기본적인 도움을 제공해 왔으며, 특히 보안이 취약한 현장에서 데이터를 수집하는 데 있습니다^. 이러한 기술들이 현재 다양한 시스템에서 사용되는 구체적인 이유가 있습니다.^{예를 들어,} 원예, 의료 서비스, 생태 관찰, 군사 조사, 구조 관리, 교통 관리, 수위 변화 모니터링 등에서^4.

무선 네트워크 환경에서는 일반적으로 데이터가 수집되어^{추가 처리를} 위해 기지국(BS)이라는 수신 노드로 전송됩니다. 센서 노드는 제한된 자원을 효율적으로 활용하여 네트워크 성능을 지속적으로 향상시킵니다. 작업⁶에 관해, 노드 에너지 소모를 줄이고 네트워크 수명을 개선하는 메커니즘 개발은 무선 센서 네트워크 성능을 향상시킬 수 있습니다^. 고에너지 생산을 위해 다양한 센서 노드 단위가 사용됩니다: 통신 장치, 데이터 처리 장치, 센서. 첫 번째 통신 유닛은 가장 에너지를 많이 소모하는⁸. 무선 센서 네트워크 환경에서는 최대 에너지 효율 기법이 계층적 라우팅 프로토콜로^{널리 사용되는 것으로} 간주됩니다. 데이터가 인접 노드로부터 수신되면, 클러스터 헤드(CH)는 단일 홉 및 다중 홉 상호작용을 사용하여 BS와의 거리 관계를 바탕으로 네트워크 상태를 BS에 보고합니다. 이러한 라우팅 기법들은 연구¹⁰에서 제시되어 있습니다.

관련 문헌에서는 WSN을 위한 여러 클러스터 기반 라우팅 알고리즘이 예상되고 있습니다. Moridi 등¹¹에서는 계층적 라우팅 방식이 제안되었으며, 이는 지원 네트워크의 수명을 연속적으로 연장합니다. 고려된 네트워크는 네트워크 선택을 위한 라우팅 기법을 개발한¹²번 연구 연구에 따라 적절히 선정됩니다.

Priyadharshini 등^은 분산 에너지 효율 클러스터링(DEEC)으로 알려진 확률 기반 클러스터링 프로토콜을 설명합니다. DIEC가 선택하는 CH는 개발 네트워크에서 남은 에너지와 각 노드의 평균 에너지 비율에 따라 달라집니다. 저자들은 저에너지 적응 클러스터 계층 구조(LEACH) 프로토콜로 알려진 동질한 시스템을 조사하고 그 이질성을 조사했습니다. 저자들은 이후 LEACH라는 이질적 시스템을 개발했는데, 이는 동질과 이^{질성 두} 시스템을 비교하는 것이다. 분산 에너지 효율 클러스터링 기법으로 개발된 방법이 이기종 원격 센서 네트워크에 제안되었습니다¹⁵. 이는 분산 에너지 효율 클러스터링의 업그레이드 버전입니다.

전문가들은 또 다른 발전 기법¹⁶을 제안했습니다. 새로운 알고리즘은 남은 에너지가 정확히 임계값 잔차 에너지 값이 아닌 우수 허브의 평균 확률을 변경했으며, 이는 일반적인 네트워크 에너지 대신 허브와 BS 사이의 일반적인 공간에 의존합니다.

분산 에너지 효율 클러스터링¹⁷ 은 클러스터 헤드를 선택할 때 SN과 WR 간의 평균 공간, 그리고 슈퍼 노드 간 거리를 고려하여 프로토콜 선택 가능성을 높였습니다. 처리량, 시스템 수명, 잉여 에너지 측면에서 E-DEEC의 더 나은 효율성은 시뮬레이션 결과를 통해 나타난다. Nurelmadina 등의 연구는 연구자들이^{이 연구에 집중}하도록 유도하는 핵심 요소입니다. 무선 센서 네트워크(WSN)는 무작위 배치로 인해 사각지대와 끊긴 링크가 발생하기 때문에 신중한 노드 배치가 필요합니다; 따라서 커버리지 극대화와 연결성 유지가 핵심 최적화 목표이지, 좋은 점이 아닙니다. 선행 기술은 고전적 군집 접근법(예: PSO/ACO)과 임시 배치 전략이 느린 수렴과 국소 최적 함정에 의해 낮은 커버리지와 취약한 연결성을 초래하는 경우가 많다는 것을 보여줍니다¹⁹. 최근 메타휴리스틱 리뷰에 따르면, 이러한 결함은 일반적으로 탐험-활용 역학의 불균형에서 비롯된다; 이 연구는 전역 탐색과 국소 정제를 명시적으로 균형 있게 조절하는 하이브리드를 주장하며^{, 하이브리드 제어}/결합 방식이 이를 달성하기 위해 어떻게 설계될 수 있는지 조사합니다. WSN 전용 노드 배치 테스트에서 개선된 카오틱 그레이 울프 옵티마이저(ICGWO)는 여러 환경에서 9≥9%의 커버리지를 달성했으며, 강한 기준선 대비 평균 최대 ~16%의 향상을 기록하여, 카오스 유도 하이브리드화가 커버리지와 연결성을 크게 향상시킬 수 있음을 입증했습니다²⁰. 보완적으로, 회색 늑대-입자 군집 하이브리드(HGWPSO)는 다양한 공학 과제에서 동일한 설계 논리를 검증하며, 여러 벤치마크 사례에서 43-99%의 개선을 보고하고, 하이브리드화가 더 빠른 수렴과 더 나은 해법으로 나아가는 견고한 경로임을 강조합니다¹⁹. 개발된 기법인 자가 최적화 늑대 최적화기(SOWO)는 필드에서 BS까지의 단일 홉 및 다중 홉 상호작용 전략을 사용하며,²¹번에는 발생하지 않았습니다. 이 전략은 먼 허브에서 먼 BS로 무관한 정보를 방송하는 것을 피하여 노드의 에너지 사용을 최소화합니다.

Protocol

이 섹션에서는 이 세그먼트에서 개발된 이기종 프로토콜을 설명합니다. 이 기법에서는 조직이 센서 허브를 미리 설정된 엣지 거리를 기준으로 네 개의 논리적 영역으로 나눕니다. 게이트웨이 노드와 기지국(BS)은 감지 필드 외부에 배치되어 네트워크의 중심점에 별도로 배치됩니다. 게이트웨이 노드와의 거리가 미리 정해진 거리보다 짧은 허브는 필드 1과 2에 할당됩니다. 이 상황에서 노드들은 직접 통신을 통해 데이터를 게이트웨이 노드나 BS에 방송합니다. 이 노드들은 동질한 노드를 나타냅니다. 노드 간 공간이 미리 정해진 임계값 공간보다 크고 WR 노드에 더 가깝다고 가정하자. 이 경우 그림 1에 나타난 3 또는 4구역에 위치한다. 이 노드들을 이기종 허브라고 부릅니다. 두 영역에서 선거가 이루어지며, 잔류 에너지를 이용해 CH를 선택합니다. 이 지역에서 얻은 정보는 다중 홉 상호작용 방식을 통해 BS로 전송됩니다. 지역 3의 CH는 게이트웨이 노드에 최종 보고를 제공하고 정보를 통합한 후 BS에 방송합니다. 각 영역의 노드들은 에너지 한계 내에서 다른 노드들과 정보를 전달합니다. 노드가 정보를 보낼 수 없을 때는 에너지를 보존하기 위해 휴식을 취합니다.

네트워크 모델
네트워크 구조의 정의는 그림 1에 나와 있습니다. 이 네트워크는 G(L, BS, H_o, GW, H_e)로 알려져 있으며, 기지국은 BS로 제공되고, 네트워크 게이트웨이는 GW이며, 동종 노드는 H_o, 이기종 노드는 H_e로 표시되며, 명확한 노드들을 연결하는 통신 네트워크 집합(BS를 포함하는 모든 노드, H,_o, GW, H_e)는 L로 표기됩니다. 네트워크의 특징은 다음과 같습니다: (i) 그림 1에 나타난 것처럼, 네트워크는 영역 1, 2, 3, 4에 네 개의 하위 네트워크로 나뉩니다. (ii) 영역 4에 최소 1개의 노드가 영역 3의 노드와 연관되어 있습니다. (iii) WR은 2구역의 기지국에 연결되어 있습니다. (iv) 이제 WR과 기지국이 연결되어 있습니다. 영역 1의 모든 노드는 BS와 연관되어 있습니다. (v) 영역 3과 4의 모든 노드는 BS와 연결되어 있지 않습니다.

에너지 소비
본 연구에서 에너지 활용 기법은 다음과 같습니다: WSN의 노드들은 무작위로 공유되며 미리 정해진 위치가 없습니다. 노드 간 공간에 따라 통신은 노드의 상당한 에너지 손실을 초래합니다. 두 가지 유형의 정보 전달과 수집은 에너지를 소비합니다. 따라서, (m) 비트 길이의 데이터 패킷을 전송하는 데 필요한 에너지는 다음과 같습니다:

(1)

E_TX는 노드의 데이터 전송 중 사용되는 에너지를 나타내며, 한 비트의 데이터를 송수신하는 과정의 에너지 소산은 E_elec이며, ε_fs는 자유 공간 에너지 소산 계수입니다. _{ε mp}는 다방향 계수 기법의 에너지 소산을 나타내며, 전송 공간은 교차 방향으로 주어지며, 계산은 다음과 같습니다:

(2)

수신 노드가 m -비트 데이터 패킷을 받기 위해 예상하는 에너지 사용은 다음과 같이 결정됩니다:

(3)

앞서 언급한 모델은 CH가 사용하는 에너지를 결정할 수 있습니다. CH가 사용하는 에너지는 기본적으로 세 가지 관점을 포함합니다: 사용자 노드의 데이터 패킷 획득, 정보 연관, 그리고 융합된 정보를 WR로 전송하는 에너지 활용. 추정 공식은 다음과 같이 주어집니다:

(4)

회원 노드 수는 CM_숫자로 표현되며, E_DA는 1비트 데이터를 집계하는 데 필요한 비용입니다; 패킷의 길이는 M입니다. 비-CH 허브가 소비하는 에너지는 WR에 정보를 전송하는 데 사용되는 에너지 사용량이며, 수치 공식은 다음과 같이 주어집니다:

(5)

다음은 r^번째 라운드의 전체 잔류 에너지를 계산하는 방법입니다:

(6)

전체 남은 에너지가 라운드 E_tohR(r - 1)처럼 주어지고, 라운드에 존재하는 CH의 수는 CH_num(r)으로 표현되며, N_alive(r)는 제공된 네트워크의 전체 활성 노드를 가리키고, E_Ch (i)는 i^번째 CH의 에너지 사용을, E_non-CH(j)는 비-CH(j)가 사용하는 에너지를 나타냅니다.

클러스터 선택
이 알고리즘은 노드에서 WR과 에너지로 계산된 간공간을 이용해 시스템의 주요 클러스터를 선택하며, 클러스터 내 총 CH를 다음과 같이 제한합니다: SN의 적합도가 오름차순으로 상승하는 경우에 따라, 활성 SN 클러스터는 m의 동일한 부분집합으로 분할됩니다(여기서 m은 원하는 클러스터 개수로, N/p와 동등한 값입니다. N 은 센서 노드 수를, p는 CH의 부분을 나타냅니다. 모든 부분집합에서 첫 번째 클러스터 헤드는 중심 위치 근처의 센서 노드로 선택됩니다. 각 노드는 유클리드 거리를 기준으로 가장 가까운 클러스터 헤드에 추가되어 초기 클러스터를 만듭니다. 노드, BS, 잔류 에너지 사이의 공간이 노드의 적합도 점수를 결정합니다.

(7)

가중치가 ₁로 주어지면 1차 에너지는 E_i, 잔류 에너지는 E_r, 노드에서 WR까지의 공간은 d_BS로 표시됩니다. d_maxBS는 SN과 WR 사이의 최대 간공간이며, d_MinBS는 SN과 WR 사이의 최소 공간을 나타냅니다.

자가 최적화된 늑대 최적화 프로그램(SOWO)
CH는 SOWO를 사용해 선정됩니다. 늑대 최적화 프로그램에서는 그림 2에 나타난 대로 세 마리의 늑대(α, β, δ)의 평균 질량을 사용하여 먹잇감의 위치를 식별합니다. BS와 노드 간의 미분, 그리고 잔류 에너지 사이의 공간을 고려하면, 노드의 적합도 점수는 그레이 울프 최적화의 주요 가중치로 간주되며, 이는 식(8)을 사용하여 결정된다. 먹잇감의 초기 위치는 식(8)부터 (11)과 SOWO의 최적화 기법을 기반으로 계산됩니다.

(8)

(9)

(10)

(11)

늑대의 주 질량 α, β, δ의 1차 질량이 각각 ω_Iα, ω_Iβ, ω_Iδ인 경우, 늑대α의 최고 적합도 점수는 F_α, F_β, F_δ이며, 이는 식11을 사용해 계산됩니다. 세 개의 최고 적합도 점수에 해당하는 개별 노드는 α, β, δ 늑대입니다. 개발된 프로토콜은 노드의 적합도 점수가 한 번의 데이터 전송 후 변경되기 때문에 그레이 울프 최적화의 가중치를 변경하지 않습니다. 그레이 울프 최적화기의 전 세계 탐색 용량을 생성하기 위해, 부하 조정은 벡터 A와 D에 의해 능동적으로 수정됩니다. 여기서 A는 계수 벡터를 나타내며, 늑대와 먹잇감 사이의 거리는 D입니다. 식(12)과 (15)는 A와 D를 결정하는 데 사용됩니다. 먹잇감의 위치와 하중 업그레이드 공식은 다음과 같이 설명됩니다: (t + 1)^번째 반복:

(12)

(13)

(14)

(15)

여기서 는 반복 내에서 α 늑대, β 늑대, δ 늑대의 위치를 지정합니다(t+1)에서, 이 위치 들은 식(15)을 사용하여 계산됩니다. 반복의 마지막 단계에서 CH는 현재 노드들 중 먹잇감에 더 가까운 노드를 선택합니다. CH의 작업은 더 복잡하기 때문에 잔류 에너지가 작업을 완료하지 못해 노드가 종료됩니다. 따라서 남은 에너지가 가장 많은 노드를 선택하고 먹잇감에 더 가까이 있는 것이 필수적입니다. 노드의 남은 에너지와 노드에서 먹잇감까지의 거리가 CH 선택에 사용되는 적합도 점수의 매개변수로 사용됩니다. 적합도 점수가 낮은 노드를 클러스터 헤드로 식별합니다. 적합도를 계산하는 데 사용되는 함수는 다음과 같이 주어집니다:

(16)

가중치가 ₂로 주어질 때, 노드의 남은 에너지는 E_x로 표현되며, E_max는 최대 잔류 에너지, E_min은 클러스터 노드에 남은 최소 에너지입니다. 먹이와 노드 사이의 거리는 d_p, d_Maxp는 탐지 노드와 먹잇감 사이의 최대 거리, d_Minp는 SN과 먹잇감 사이의 최소 거리입니다.

자기 최적화 늑대 에이전트
소프트웨어 에이전트는 네트워크 크기와 노드 게이트웨이를 모니터링하고 관리합니다. 소프트웨어 에이전트는 로컬 커뮤니케이션 전략과 코드 이동성 면에서 다른 전통적인 클라이언트와 서버를 대체합니다. 모니터링은 관리 시스템을 이해하는 데 매우 중요한 요소입니다. 이러한 중요성 때문에 네트워크 메시 내 노드 게이트웨이를 모니터링하기 위해 소프트웨어 에이전트 기술이 제안되었습니다. 모니터링 외에도 에이전트는 네트워크 노드 목록을 업데이트하는 책임이 있습니다. 이 데이터는 네트워크 크기 때문에 필수적이므로, 자가 구성 프로세스가 라우팅 프로토콜 매개변수를 동적으로 구성할 수 있습니다. 이 연구의 맥락에서, 이러한 특성들은 소프트웨어 에이전트의 행동에서 발견되는 여러 특성 중 가장 바람직한 것들입니다. 무선 에이전트는 메시 라우터와 라우터 자체의 클라이언트 노드 연결에 설치됩니다. 네트워크 밀도를 식별할 때, 에이전트는 소규모, 표준적, 대규모 규모에서 특정 작업을 수행합니다. 세 가지 척도(소형, 표준형, 대형)의 점수가 표시되어 있습니다. 에이전트들은 제안된 프로토콜의 자동 설계 능력이라는 전제를 형성합니다. 이 에이전트들은 네트워크 동작 검증뿐만 아니라 처리량, 데이터 패킷 손실 비율, 중단, 처리량, 유휴 상태, 동적 및 휴면 허브, 그리고 연결에 관한 데이터를 담당합니다. 네트워크 에이전트는 메시 라우터에서 안정적으로 존재하며 제안된 프로토콜의 자체 최적화 기능을 제공합니다. 네트워크 원격 조직에서는 라우팅 프로토콜에 자체 x 능력(최적화, 설정, 수정, 보안¹⁹)을 삽입함으로써 자기 연관이 발생합니다. 이러한 기능들은 라우팅 프로토콜을 자율적으로 만들어 네트워크 성능, 장애 허용성 및 보호를 향상시킵니다. 다음은 언급된 기능들의 실행에 대한 설명이며, 특히 자가 구성과 자가 최적화에 중점을 둡니다. 특히, 자체 함수는 라우팅 프로토콜의 표준 서비스의 확장으로 네트워크 계층에서 실행된 바 있습니다(보완 파일 1).

클러스터 집합 (CS)
CS는 네트워크 내 여러 클러스터의 집합이며, 클러스터링 알고리즘은 네트워크를 여러 클러스터로 나눌 수 있게 합니다. 이 연구에서는 처음 선택된 클러스터를 '첫 번째 CS'라고 하며, 현재 이상적인 CS로 간주되며, 현재 완전 CS의 목적함수 점수를 계산합니다. 수정된 그레이 울프 옵티마이저(MGWO)는 현재 완전 CS의 모든 클러스터를 임의로 수정하여 또 다른 클러스터를 생성할 수 있으며, 새로 형성된 클러스터의 대부분은 또 다른 CS를 구성합니다; 다시 한 번 최신 CS의 목적함수 점수를 결정합니다. 현재 최적 클러스터의 목적함수 점수가 최신 클러스터보다 클 때, 새로 결정된 클러스터가 현재 이상적인 CS로 간주됩니다. 완벽한 CS는 종료의 마지막 단계로 구성된다. 목적 함수는 다음과 같이 설명됩니다:

(17)

가중치가 ₃으로 표현될 때, CS 내 클러스터 간 공간의 합은 d_TCH로 나타내며, CH와 WR 사이의 전체 거리는 d_TBS로 표시됩니다. CH와 BS 간의 클러스터 및 통신 거리는 원격 모니터링과 목표 추적 설계의 기초가 됩니다. 목적함수 점수가 낮으면, 클러스터 헤드 결정이 더 합리적이며, 클러스터 내 CH가 이상적이며, 클러스터 헤드셋이 전체 네트워크에 비해 완벽함을 나타냅니다. 알고리즘 2(보조 파일 2)는 SOWO 의사코드를 설명합니다.

Results

여기서 MATLAB R2024a는 시뮬레이션과 라우팅 프로토콜을 비교하여 개발된 이기종 라우팅 프로토콜을 비교합니다. 시뮬레이션에서는 100개의 탐지 노드 네트워크를 임의로 사용하며, 100m마다 한 개의 노드가 존재하는 차원을 갖습니다. WR 노드는 네트워크 내에서 (50m, 120m)와 (50m, 50m)에 위치해 있습니다. (m 이 0.2, 1이 된 동질한 노드의 약 20%)는 이질적인 노드보다 에너지가 적습니다. 배치 후에는 모든 노드가 고정 상태로 유지됩니다. 이 연구에 사용된 시뮬레이션 변수들은 표 1에 나와 있습니다.

게이트웨이 노드와 CH는 예측대로 전송 전에 보고서를 성공적으로 집계합니다. 따라서 이 시연에서는 핵융합 시험이 사용되지 않았습니다. 하지만 이것이 미래 탐사에 가장 큰 기여가 될 것입니다. 나열된 성과 지표들이 평가의 기초가 되었습니다. 숙련도는...

Discussion

제안된 SOWO는 WR과 동질노드를 활용합니다. 안정 선거 프로토콜은 이기종 노드를 CH로 사용하며, 클러스터 중앙에 BS 노드가 있고 센서 노드로 둘러싸여 있습니다. 기지국이 영역¹⁴ 외부에 배치되면 더 많은 에너지가 필요합니다. 이로 인해 에너지가 감소하여 에너지 준위가 매우 짧은 시간 내에 0에 도달합니다. 제안된 기법은 전통적인 방법에 비해 에너지 감소율이 낮습니다. 이는 에너지 절약 방법론이 개발된 모델에 구현되고 사용됨을 증명합니다. 더불어, 그림 9 를 자세히 살펴보면 제안된 SOWO 알고리즘이 다른 알고리즘에 비해 더 낮은 에너지 감축률을 달성함을 알 수 있습니다.

특히, 개발 된 라우팅 알고리즘에서는 네트워크 내 활성 노드 수가 더 많으며, 비활성 노드 수는¹⁷라운...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
12세대 인텔(R) 코어(TM) i5-1235U (1.30 GHz)	인텔 코퍼레이션, 미국	–	시뮬레이션 실행에 사용되는 하드웨어
16GB DDR4 RAM	킹스턴 테크놀로지, 미국	–	시뮬레이션 실행 중 사용되는 메모리
MATLAB	매스웍스 USA	R2024a	알고리즘 구현, WSN 시뮬레이션 실행, 결과 분석에 사용됩니다
마이크로소프트 윈도우 11 홈	마이크로소프트 코퍼레이션, 미국	빌드 22631	시뮬레이션을 실행하는 데 사용되는 운영체제
MATLAB에서 생성된 합성 데이터셋	매스웍스, 미국	R2024a	알고리즘 테스트를 위해 생성된 맞춤형 데이터셋