하이브리드 집계 및 스케줄링 기법을 활용한 IoT 기반 무선 센서 네트워크를 위한 지능형 혼잡 제어 메커니즘

요약

이 프로토콜은 뉴퍼지 의사결정 계층과 함께 보완된 하이브리드 집계 및 스케줄링 기법을 사용하여 IoT 지원 WSN을 위한 스마트 혼잡 제어 방법을 도입합니다. 제안된 시스템은 패킷 전달, 지연, 처리량, 에너지 효율성을 향상시켜 네트워크 수명을 늘리고 가변적인 IoT 워크로드의 경우 QoS를 보장합니다.

초록

IoT 기반 무선 센서 네트워크(WSN)의 혼잡은 패킷 전달, 지연 시간, 에너지 사용량을 저하시켜 특히 폭발적이고 이기종적인 트래픽 조건에서 네트워크를 손상시킵니다. 이 프로토콜은 하이브리드 데이터 집계, 적응형 스케줄링, 뉴로퍼지 의사결정 엔진을 결합하여 네트워크 부하를 효율적으로 처리하는 지능형 혼잡 제어 기법을 보여줍니다. 이 방법은 먼저 시뮬레이션 데이터를 생성하고, 서로 다른 노드 밀도의 토폴로지를 생성하며, NS-2.35를 사용해 트래픽 패턴을 설정하는 과정을 포함합니다. 각 시나리오마다 재현 가능한 평가를 위해 패킷 트레이스가 수집됩니다. 프로토콜 워크플로우는 두 가지 메커니즘의 결합을 의미합니다: (1) 우선순위 라벨을 유지하면서 시간 및 카운트 기반 창에서 패킷을 결합하는 하이브리드 집계, (2) 가중 라운드 로빈을 통해 이중 우선순위 큐를 처리하는 적응형 스케줄링. 뉴로퍼지 컨트롤러는 항상 버퍼 점유율, 링크 품질, 채널 활용도, 잔류 에너지, 트래픽 우선순위를 평가합니다. 이러한 입력을 바탕으로 퍼지 추론과 신경적응 학습을 통해 집계 깊이, 큐 가중치, 전송 결정을 조절합니다. 성능 측정 작업에는 패킷 전달 비율, 종단 간 지연 시간, 처리량, 노드 수준 에너지 소비, 네트워크 수명 계산이 포함됩니다. 결과의 신뢰성을 확인하기 위해 여러 차례의 통계 분석이 수행됩니다. 이 접근법은 기본 방식에 비해 시뮬레이션에서 더 나은 성능을 보여줍니다. 이 프로토콜은 IoT 기반 WSN 환경에서 에너지 효율적이고 확장 가능하며 QoS를 인식하는 운영을 가능하게 하는 하이브리드 혼잡 제어 방법을 탐구할 수 있는 재현 가능한 프레임워크를 제공합니다.

서론

사물인터넷(IoT)의 엄청난 성장으로 인해 수십억 개의 상호 연결된 기기가 배치되어야 했으며, 이 중 무선 센서 네트워크(WSN)가^{대부분의 경우 실시간} 모니터링과 의사결정 지원을 제공하는 데 사용됩니다. 이 네트워크들은 의료 모니터링³, 스마트 시티⁴, 정밀 농업⁵, 산업 자동화⁶, 환경 감지⁷ 등 근본적으로 다른 분야에서 IoT 기반 시스템의 핵심 구조가 됩니다. WSN은 대역폭, 에너지, 연산 능력 등 제한된 자원을 가진 센서 노드들로 구성되어 있습니다. 이러한 한계는 IoT 트래픽이 매우 동적이고 폭발적이어서 혼잡에 매우 취약하기 때문에 문제를 악화^{시킵니다.}

이 프로토콜은 특히 중대형 IoT 배포(150-750노드)에서 제한된 에너지 제약 하에서 혼합 주기적 트래픽과 버스트 트래픽을 생성하는 데 적합합니다. 이러한 상황은 의료 모니터링, 스마트 시티 감지, 산업 자동화 시스템에서 매우 자주 발견되며, 노드⁹의 제한된 자원에도 불구하고 신뢰할 수 있는 전달과 저지연 통신을 보장해야 합니다.

WSN의 혼잡은 패킷 드랍, 대기열 지연 증가, 처리량 감소, 에너지 소모 가속화 등 다양한 방식으로 네트워크 성능 용량을 심각하게 저해할 수 있습니다 ^8,10. 원격의료나 재난 구호와 같은 미션 크리티컬한 IoT 시나리오에서는 혼잡으로 인한 지연이나 패킷 손실이 치명적인 결과를 초래할 수 있습니다^11,12. 현재의 혼잡 제어 방법은 세 가지 주요 범주로 나뉩니다: 트래픽 기반 방식(소스 속도 제한, 백프레셔 제어)^13,14, 집계 기반 방식(네트워크 내 데이터 결합)^15,16, 그리고 스케줄링 기반 방식(우선순위 대기열, 채널 할당)^9,17. 따라서 이러한 기법들은 일정 수준의 성공을 거두지만, 단독으로 사용할 때는 단점도 있습니다. 예를 들어, 트래픽 기반 방법은 소스 속도를 비선택적으로 감소시켜 애플리케이션 성능을 저하시키는 경우가 많습니다. 집계 기반 방법은 중복을 제거하지만 시간에 민감한 흐름에 지연을 추가합니다. 스케줄링 기반 전략이 공정성을 높일 수는 있지만, 다른 고용량 트래픽 부중 없이는 효과적으로 작동할 수^{없습니다.}

트래픽 단독, 집계 전용, 스케줄링 전용 방식과 비교할 때, 하이브리드 뉴로퍼지 제어는 패킷 전달 신뢰성, 지연 시간, 에너지 소비 간의 보다 균형 잡힌 절충을 제공합니다. 실시간 네트워크 상태에 기반한 집계 깊이와 스케줄링 우선순위를 공동 조절함으로써, 제안된 접근법은 무거운 이기종 IoT 작업 부하에서 혼잡을 보다 효과적으로 완화합니다¹⁸.

연구 동기
IoT 기반 무선 센서 네트워크는 이기종적이고 종종 폭발적인 트래픽을 생성하여 혼잡, 대기열 초과, 과도한 재전송에 취약합니다. 기존의 트래픽 기반, 집계 전용 또는 스케줄링 전용 방식은 동적 부하 조건^19,20에서 패킷 전달, 지연 시간, 에너지 소비 간의 균형 잡힌 절충을 달성하지 못합니다. 이러한 한계에 기반하여, 본 연구는 적응형 집계, QoS 인식 스케줄링, 신경 퍼지 의사결정을 결합하여 신뢰할 수 있고 지연을 인지하며 에너지 효율적인 성능을 제공하는 하이브리드 혼잡 제어 프로토콜을 도입합니다.

최근 연구들은 집계와 스케줄링을 결합하여 처리량, 지연 시간, 에너지 효율의 균형을 맞추는 하이브리드 메커니즘의 잠재력을 강조했습니다^21,22. 퍼지 논리, 강화 학습, 신경-퍼지 추론을 이용한 적응적 방법은 동적 네트워크 상태에 대한 반응성을 더욱 향상시킵니다 23,24,25,26. 그러나 현재 대부분의 방법은 정적 임계값에 의존하고, 자원이 제한된 노드에 적합하지 않은 계산 오버헤드를 증가시키며, 이기종 IoT 워크로드에서도 견고하지 않습니다^27,28. 따라서 경량화되고 적응적이며 교통 변화에 반응할 수 있으면서도 네트워크 수명을 연장할 수 있는 지능형 혼잡 제어 메커니즘에 대한 수요는 여전히 매우 높습니다.

IoT 지원 WSN의 신뢰성, QoS 향상, 안전한 데이터 처리 기능을 구현하기 위한 다양한 연구가 수행되었습니다. 에너지 인식 장애 탐지 및 복구 방식^29,30은 변화하는 환경에서 견고함과 종단 간 성능을 향상시키는 것으로 나타^{났습니다.} 경량 블록체인 프로토콜은 IoT-WSN 애플리케이션에서 데이터 통신을 더욱 안전하게 보호하는 데 활용될 수 있습니다. 계층적 규칙 기반 결함 탐지 방법의 구현은 자원이 제한된 센서 배포에서 QoS 유지에도 도움을 줍니다. 이러한 개선은 현대 IoT 시스템에서 신뢰성, 보안, 자원의 효율적인 사용과 통합될 수 있는 혼잡 제어 솔루션에 대한 수요를 보여줍니다.

WSN에 대한 혼잡 제어 기법이 널리 연구되었지만, 기존 솔루션은 주로 트래픽 속도 조정, 집계, 스케줄링¹⁵ 등 단일 계층 메커니즘만 고려합니다. 하지만 해당 프로토콜은 하이브리드 집계, 우선순위 인식 스케줄링, 신경-퍼지 의사결정이 공동으로 상호작용하며 지속적으로 업데이트하는 다층 적응 메커니즘을 특징으로 합니다. 표준 퍼지 전용 방법과 달리, NFDE는 ANFIS 유도 신경적응 튜닝을 사용하여 실제 트래픽 패턴에 따라 구성원 기능과 규칙 매개변수를 실시간으로 변경할 수 있습니다. 제안된 프로토콜은 통합 크로스 레이어 조정과 IoT 하드웨어에 적합한 경량 연산을 결합하여 다른 모델들과 크게 다릅니다.

이 논문 이전에는 WSN의 혼잡에 관한 수많은 연구가 이루어졌으며, 이는 링크, 버퍼 오버플로우, 중간 경쟁 수준에서 혼잡을 다루는 수백 개의 알고리즘을 보고한 수많은 설문조사에서 확인할 수 있습니다. 대부분의 솔루션은 단일 프로토콜 계층에서 이러한 문제를 해결하도록 설계되었지만, 다층 적응형 혼잡 제어 문제는 거의 다뤄지지 않았습니다 ^9,21. 본 연구는 IoT 등급 하드웨어용 경량 신경퍼지 모듈과 크로스 레이어 적응을 결합하여 이 공백을 메우고 있습니다.

이러한 문제들을 고려할 때, 연구는 IoT 준비 WSN을 위한 하이브리드 집계 및 스케줄링 기법과 뉴로-퍼지 의사결정 엔진을 통합할 수 있는 지능형 혼잡 제어 메커니즘을 제시했습니다. 집계 구성 요소는 시간 기반 창과 패킷 수 창을 모두 활용하여 중복 전송을 완화합니다. 스케줄링 구성 요소는 중요 및 비중요 흐름의 이중 대기열에 가중치 라운드 로빈을 통해 공정성과 QoS 준수를 보장합니다. 뉴로퍼지 엔진은 주요 네트워크 상태 변수를 추적하며, 점유율, 채널 활용률, 잔류 에너지, 링크 품질, 트래픽 우선순위를 공동으로 버퍼링합니다. 신경적응학습으로 강화된 퍼지 추론 규칙을 사용함으로써, 컨트롤러는 집계 깊이, 스케줄링 가중치, 전송 속도를 변경합니다. 이러한 폐쇄 루프 시스템은 실시간 혼잡 상황에서도 프로토콜이 충분히 유연하게 작동할 수 있게 합니다.

우리는 주요 연구 질문을 설정하여 연구의 범위와 중요성을 명확히 제시할 수 있도록 했습니다. 연구를 이끈 연구 질문들은 다음과 같습니다:
RQ1: 하이브리드 집계와 스케줄링이 IoT 지원 WSN에서 혼잡을 어떻게 더 효과적으로 줄일 수 있을까요?
RQ2: 뉴로퍼지 의사결정 엔진은 다양한 트래픽 부하에서 네트워크 상태에 적응하는 데 어떤 역할을 하나요?
RQ3: 제안된 프로토콜이 기존 혼잡 제어 방식과 비교했을 때 패킷 전달 비율, 지연 시간, 처리량, 에너지 효율을 어떻게 개선하나요?
RQ4: 제안된 프로토콜이 다양한 IoT 애플리케이션에서 QoS를 유지하면서 네트워크 수명을 연장할 수 있을까요?

이 연구의 기여는 네 가지입니다. 주요 주장은 IoT 지원 WSN에서 혼잡 제어를 위한 신경-퍼지 적응을 포함한 하이브리드 집계 및 스케줄링 프레임워크입니다. 두 번째 점은 다양한 네트워크 크기와 트래픽 강도에서 성능을 테스트하기 위한 재현 가능한 시뮬레이션 프레임워크를 구현한다는 점입니다. 셋째, 기준선에 비해 패킷 전달, 지연, 처리량, 에너지 효율, 수명 면에서 정량화된 진전을 보여줍니다. 결국 데이터, 구성 파일, 분석 스크립트를 제공하여 개방성과 재현성을 제공합니다.

퍼지 단독, 집계 전용, 스케줄링 전용, DRL 기반 등 혼잡 제어 방법들은 한계가 있으며, 제안된 연구는 다층 적응-하이브리드 집계, 이중 큐 적응 스케줄링, 뉴로-퍼지 의사결정 엔진을 하나의 경량화되고 하드웨어 친화적인 프레임워크에 통합하여 이를 해결합니다. 계산 비용이 많이 들고 수렴하는 데 시간이 오래 걸리는 DRL 기반 방법과 달리, 제안된 신경 퍼지 계층은 거의 실시간으로 연산을 수행하며 훨씬 낮은 에너지와 CPU 사용량을 제공합니다; 따라서 IoT급 센서 노드에 이상적입니다. 표 1 에서는 제안된 방법과 함께 다양한 혼잡 통제 방법을 비교하였습니다.

표 1: 기존 혼잡 통제 접근법과 제안된 방법의 비교. 이 표는 퍼지 전용, 집계 전용, 스케줄링 전용, DRL 기반 접근법과 같은 무선 센서 네트워크의 혼잡 제어 방법의 가장 중요한 특징, 장점 및 한계를 개괄합니다. 이 연구는 하이브리드 집계, 적응적 우선순위 스케줄링, 경량 신경-퍼지 의사결정 엔진을 결합하여 낮은 계산 비용으로 다층 적응을 제공하는 제안된 방법의 독특함을 강조합니다. 이들 간의 비교 결과, 도입된 프로토콜은 더 나은 PDR, 낮은 지연 시간, 균형 잡힌 처리량, 향상된 에너지 효율을 달성할 수 있으며, 자원이 제한된 IoT-WSN 장치와도 호환됩니다. 이 표를 다운로드하려면 여기를 클릭해 주세요.

관련 연구
IoT 기반 무선 센서 네트워크(WSN)에서의 혼잡 제어에 관한 최근 연구는 순수 집계, 트래픽 제한, 스케줄링 등 단일 계층 기법이 버퍼 오버플로우, 충돌, 심각한 에너지 낭비를 일으키는 이질적이고 폭발적인 트래픽 부하 하에서는 불충분하다는 것을 보여줍니다¹⁵ 따라서 하이브리드 집계-스케줄링 방식은 중복 전송을 줄이고 노드 밀도가 ^6,7,8,10으로 확장됨에 따라 경쟁 제어를 동시에 하는 데 큰 인기를 얻고 있습니다. 크로스 레이어 변형은 라우팅, 클러스터링, MAC 수준 스케줄링을 통합하여 수렴 흐름과 혼합 QoS 워크로드를 안정화합니다 ^11,12,13 반면, 퍼지 또는 휴리스틱 트리거는 지역 혼잡 신호에 따라 집계 깊이와 서비스 규율을 조정합니다 14,15,16. 소프트 컴퓨팅 기법은 응답성을 더욱 향상시킵니다: 퍼지 컨트롤러는 버퍼 점유, 링크 품질, 재전송^{9, 17, 21}에서 큐 상태를 추론합니다; 뉴로퍼지 시스템은 패킷 전달 비율(PDR), 지연 시간, 처리량, 에너지 사용 전반에 걸쳐 다목적 최적화를 위한 규칙 가중치를 학습하여 이를 강화합니다 22,23,24. 한편, 딥 강화 학습(DRL/RL) 접근법은 속도 제어, 캐싱, 스케줄링^{25, 26, 27, 28}을 관리하며, 생성/최적화 기반 프레임워크는 스트레스 시 클러스터와 경로를 재구성하고 로컬 트래픽 행동²⁹를 조정합니다. 이러한 다양한 접근법 전반에 걸쳐 지능형 하이브리드는 대기열 파급 현상을 줄이고, 경쟁 창을 안정화하며, 지연을 줄이고, 교통 상황 8,9,12,24,25,26,27,28,29,30에서 처리량과 에너지 효율을 개선함으로써 정적 방법을 꾸준히 능가합니다 ^{,32, 33, 34}.

병행 작업은 에너지 수준, 링크 조건, 애플리케이션 우선순위에 맞게 혼잡 제어 매개변수를 조정하여 네트워크 수명과 QoS를 향상시키는 데 중점을 둡니다. 연구에 따르면 상관관계 패킷을 집계하면 전송 횟수를 줄이고, 적응형 스케줄링은 경쟁, 유휴 청취, 충돌 폭풍을 최소화합니다 14,17,18,27,30,32,33,34,35,36. 우선순위 기반 메커니즘은 긴급 의료 또는 산업 교통을 보호하며 비중요 텔레메트리 페이싱 ^18,32,33,35를 제어하며, 고부하 상황에서 흐릿/신경 퍼지 라우팅, 클러스터링, 속도 제어를 더욱 부드러운 진동을 보장합니다 ^33,18. 라우팅³⁷, 클러스터링³⁸, 장기 혼잡 인식 매핑³⁹의 AI 기반 최적화, 지능형 장애 감지⁴⁰, 블록체인 기반 보안 통신³¹, 에너지 인식 복구 등 추가 발전은 통합 및 맥락 인식 혼잡 솔루션으로의 증가 추세를 보여줍니다. 이러한 발전에도 불구하고, 대부분의 기존 접근법은 다양한 IoT 워크로드 간에 집계, 일정 관리, 지능형 적응을 공동으로 조정할 수 있는 통합되고 경량화된 실시간 프레임워크가 여전히 부족합니다. 이러한 격차는 현대 IoT 지원 WSN 환경에서 확장 가능하고 QoS 인식적이며 에너지 효율적인 성능을 위해 뉴로-퍼지 의사결정을 활용한 지능형 하이브리드 혼잡 제어 시스템 개발을 촉진합니다.

프로토콜

1. 시뮬레이션 환경 설정

1. 최소 인텔 i5 프로세서, 8GB RAM, 20GB 저장 공간이 탑재된 워크스테이션에 Ubuntu 22.04 LTS를 설치하세요. GNU C/C++ 컴파일러와 Tcl/Tk 라이브러리를 구성하여 NS-2.35를 컴파일하고 실행하세요.
2. 분석 및 플롯팅을 위해 Python 3.10과 NumPy, SciPy, Pandas, Matplotlib를 설치하세요. NS-2 에너지 및 대기열 모니터링 모듈을 활성화하여 인큐, 디큐, 드롭, 배달, 에너지 소비 이벤트를 포착할 수 있습니다.
3. 각 실험을 독립적인 무작위 시드로 5번 실행하여 재현성을 보장하세요.
4. 시뮬레이션 디렉터리를 구성, 스크립트, 결과, 분석을 위한 하위 폴더로 구성하고, 구성과 결과를 기록하는 마크다운 로그를 유지하세요.
   참고: 시뮬레이션 워크플로우에서 사용되는 모든 TCL 구성 파일, NFDE 구현 스크립트 및 분석 유틸리티는 보조 파일 1에 제공됩니다.

2. 네트워크 토폴로지 및 트래픽 생성

1. 600 x 600 m² 배치 구역 내에 150, 300, 450, 600, 750개의 노드가 균일하게 분포된 무선 센서 네트워크 토폴로지를 생성합니다.
2. 각 노드를 25 J의 에너지, 75m 전송 범위, 250 kbps 대역폭으로 초기화하여 IoT급 장치를 표현합니다.
3. 싱크 노드를 중앙이나 네트워크 경계에 배치하여 이기종 라우팅 경로를 만듭니다.
4. 1패킷/초의 주기적인 일정 비트율 흐름과 5-10패킷/초의 이벤트 기반 버스트로 20-30초 지속되는 트래픽 모델을 도입합니다.
5. 백그라운드 트래픽과 고우선순위 트래픽을 결합하여 프로토콜이 흐름을 구분하고 우선순위를 정하는 능력을 테스트합니다. 요약된 시뮬레이션 매개변수는 표 2에 제공되어 있습니다.
6. NS-2 시뮬레이션 구성 매개변수
   1. 라우팅 프로토콜: 모든 시뮬레이션에 대해 임시 주문형 거리 벡터(AODV) 라우팅을 사용하세요. 다음 주요 매개변수를 설정하세요: 헬로 간격: 1초, 활성 경로 타임아웃: 3초, TTL 시작/최대 시간: 2 / 7홉.
      참고: AODV는 가벼운 제어 패킷 오버헤드와 동적 IoT/WSN 토폴로지에 적합하다는 점에서 선택되었습니다.
   2. MAC 구성: MAC 프로토콜 IEEE 802.11 DCF(분산 조정 기능)를 사용하세요. 다음 중요한 매개변수를 설정하세요: 기본 속도: 1 Mbps, 데이터 속도: 250 kbps (WSN 등급 데이터 전송률), RTS/CTS: 비활성화 (일반적인 저전력 WSN 설정 준수), CWmin = 31, CWmax = 1023, 슬롯 시간 = 20 μs, SIFS = 10 μs, DIFS = 50 μs.
   3. 큐 구성: 듀얼 우선순위 스케줄링을 지원하도록 큐 유형을 PriQueue로 설정하고, 큐 길이(IFQ length)를 50 패킷으로 설정합니다. 큐 매핑을 우선순위가 높은 트래픽은 큐 1에, 일반 트래픽은 큐 2로 설정하세요. 큐 동작을 오버플로우 처리에 사용하는 DropTail로 설정하세요.
   4. 전파 모델: 거리가 멀어질수록 경로 손실이 증가하는 일반적인 IoT/WSN 야외 환경에 대해 TwoRayGround를 선택하세요. 교차 체크 모델 매개변수를 안테나 높이: 1.5 m, 시스템 손실 계수: 1.0, 최소 수신 출력 임계값: −95 dBm 로 설정하세요.
   5. 인터페이스 및 안테나 모델: 무선 인터페이스 유형을 Phy/WirelessPhy로 설정하세요. 다음 네트워크 인터페이스 구성을 설정하세요: 인터페이스 큐 유형: 큐/드롭테일/프리큐, 네트워크 인터페이스: 우선순위 서비스 CMUPriQueue. 안테나 모델을 Antenna/OmniAntenna로 설정하는데, 이는 일반적인 센서 모트(MicaZ, TelosB 등)를 반영하기 때문입니다.
   6. IFQ 길이 및 패킷 크기: 인터페이스 큐 길이(IFQLength)를 50패킷으로 설정하여 실제 트래픽 피크에서 혼잡이 발생하도록 합니다. 다음 패킷 크기 매개변수를 설정하세요: 기본 CBR 패킷: 512바이트, MAC 헤더: ~36바이트, AODV 제어 패킷: ~32바이트. 단편화 임계값을 None으로 설정하세요 (단편화 비활성화).
   7. 채널 설정: 채널 유형을 Channel/WirelessChannel, 주파수를 2.4 GHz ISM 대역(공통 IoT 주파수), 대역폭을 250 kbps, 듀플렉싱을 하프 듀플렉스로 설정하세요. 링크 계층 매개변수를 초기 에너지: 25 J, 전송 전력: 0.66 W, 수신 전력: 0.395 W, 유휴 전력 0.035 W, 절전 전력: 0.003 W로 설정. 잡음 바닥을 −100 dBm, 반송파 감지 임계값(CST)을 −94 dBm으로 설정.

표 2: 제안된 혼잡 제어 프로토콜 평가에 사용되는 NS-2.35 시뮬레이션 매개변수. 이 테이블은 NS-2.35의 모든 시뮬레이션 구성을 수집하며, 배포 구역 크기, 노드 밀도, 에너지 관련 매개변수, MAC 및 라우팅 구성, 큐 구조, 전파 모델, 패킷 크기, 제어 임계값 등을 포함합니다. 이 매개변수들은 하이브리드, 집계 단일, 스케줄링 전용, 그리고 베이스라인 혼잡 제어 방식의 성능 비교를 위한 실험 환경의 완전한 재현성을 보장합니다. 이 표를 다운로드하려면 여기를 클릭해 주세요.

3. 방법론 아키텍처

1. 하이브리드 집계, 적응형 스케줄링, 신경-퍼지 의사결정 엔진을 통합하여 제안된 프로토콜을 설계합니다.
2. 하이브리드 집계를 구현하여 시간 기반 또는 패킷 카운트 윈도우 내에서 패킷을 결합하되, 중요한 트래픽에 대한 우선순위 태그를 보존합니다.
3. 적응형 스케줄링을 사용하여 두 개의 큐를 관리하는데, 하나는 중요 흐름용이고 다른 하나는 비중요 흐름용이며, 동적으로 조절 가능한 큐 가중치를 가진 가중 라운드 로빈 스케줄링을 적용합니다.
4. 뉴로-퍼지 의사결정 엔진을 사용하여 버퍼 점유율, 채널 활용률, 잔류 에너지, 링크 품질, 트래픽 우선순위를 모니터링합니다.
5. 이러한 입력을 퍼지 소속 함수로 매핑하고, 추론 규칙을 적용하여 집계 깊이와 스케줄링 가중치를 최적화하며, 신경적응 학습을 통해 시스템 결정을 미세 조정합니다.
   1. NFDE 모델 구조: 신경-퍼지 의사결정 엔진(NFDE)을 5개의 입력 변수와 3개의 출력 제어 매개변수를 가진 1차 Sugeno 적응형 신경-퍼지 추론 시스템(ANFIS)으로 구현합니다. 이 시스템은 5계층 아키텍처를 사용합니다
      레이어 1 - 입력 퍼지화: 선명한 센서 값을 멤버십 디그로 변환합니다.
      레이어 2 - 규칙 발효 강도: 곱 추론을 사용하여 규칙의 발화 강도를 계산합니다.
      레이어 3 - 정규화: 발사 강도를 정규화합니다.
      레이어 4 - 선형 출력 항: 가중치가 부여된 선형 출력을 생성합니다.
      레이어 5 - 출력 집계: 결과를 결합하여 집계 깊이, 일정 가중치, 전송 속도 조정을 생성합니다.
      각 규칙은 다음과 같은 형태를 가집니다: 만약 (B는 X1), (C는 X2), (E는 X3), (LQI는 X4), (P는 X5)이면 → f = p1· B + p2· C + p3· E + p4· LQI + p5· P + p0.
      이 모델은 복잡도 제약 조건에 따라 15-25개의 규칙을 포함하고 있습니다.
   2. 입력 및 출력 변수
      1. 5개의 입력 변수를 설정하는데, 즉 b uffer 점유율(B) - 현재 대기열 길이와 IFQ 길이의 비율 (0-1), c hannel 활용률 (C) - MAC 바쁜 시간 분율 (0-1), r 개별 에너지 (E) - 남은 에너지 분율 (0-1), l 잉크 품질 지표(LQI) - 정규화된 링크 성공 확률 (0-1), 그리고 t raffic 우선순위(P)로 1.0은 중요, 0.0은 비임계 기준입니다.
      2. 3개의 출력 변수를 설정하는데, 즉, 집계 깊이(A*) - 집계할 권장 패킷 수(범위 1-6), 스케줄링 가중치(W*) - 고우선순위 큐에 할당된 가중치(0.3-0.8), r ate 조정(R*) - 전송 속도 스케일링(−20%에서 +10%).
   3. 모든 입력은 0에서 1까지 범위 내에서 정의된 삼각형 또는 사다리꼴 소속 함수를 사용합니다. m개의 엠버 함수를 아래와 같이 수치 범위로 설정하세요.
      버퍼 점유율 (B) - 낮음: trapmf(0.0, 0.0, 0.20, 0.40), 중간: trimf(0.30, 0.50, 0.70), 최고: trapmf(0.60, 0.80, 1.0, 1.0)
      채널 활용도 (C) - 낮음: 트림 (0.0, 0.15, 0.30), 중간 트림 (0.25, 0.50, 0.75), 최고 음: 트림 (0.70, 0.85, 1.0)
      잔류 에너지 (E) - 높음: trapmf(0.70, 0.80, 1.0, 1.0), 중간: trimf(0.40, 0.55, 0.70), 저음: trapmf(0.0, 0.0, 0.30, 0.50)
      링크 품질 지표 (LQI) - 좋음: trapmf(0.70, 0.80, 1.0, 1.0), 보통: trimf(0.40, 0.55, 0.70), 나쁨: trapmf(0.0, 0.0, 0.30, 0.45)
      교통 우선순위 (P) - 비중요: trimf(0.0, 0.0, 0.1), 치명: trimf(0.9, 1.0, 1.0)
      출력 소속 함수 - Sugeno ANFIS는 선형적인 출력을 사용하기 때문에:
      A* (집계 깊이) = a1·입력 + a0, [1,6]로 클리핑, W* (우선순위) = w1·입력 + w0, [0.3,0.8]로 클리핑, R* (속도 인수) = r1·입력 + r0, [−0.20, +0.10]
   4. 규칙 베이스 공식화: 완전한 규칙 베이스는 일반적으로 계산 한계에 따라 15-25개의 규칙을 포함합니다. 일반적인 규칙 부분집합을 다음과 같이 설정한다.
      B = 높고 C = 높→ A*를 줄이고, W*를 증가시키며, R*를 줄이면 됩니다.
      B = 중간, E = 높음, P = 임계→ 중간 정도 A*라면, W*를 증가시킨다.
      LQI = 부적절한 → A*를 증가시켜 재전송을 줄이세요.
      E = 낮→ R*를 줄이면 A*를 줄이고, 에너지 보존
      C = 낮고 P = 임계 → W*를 높게 설정한다면
      B = 높고 LQI = 좋으면 → A*를 줄이고, R*를 증가시킵니다.
      참고: 신경-퍼지 규칙 시스템의 독특성. 퍼지 규칙 시스템은 기존의 혼잡 제어 방식과 두 가지 면에서 다릅니다:
      다중 입력 결합: 기존의 퍼지 WSN 컨트롤러에서 거의 결합되지 않는 큐 점유율, 채널 활용도, 집계 깊이, 패킷 우선순위 지표를 통합하여 고려합니다.
      신경적응형 규칙 튜닝: 초기 규칙은 전문가가 정의하지만 이후 ANFIS 학습을 통해 최적화되어 실제 네트워크 조건에 맞게 규칙 강도와 출력 매개변수를 업데이트합니다. 대표적인 규칙은 다음과 같습니다:
      대기열 점유율이 높고 채널 활용도가 높으면 전송 속도를 줄이고 집계 깊이를 늘립니다.
      대기열 점유율이 중간 정도이고 우선순위가 높다면 스케줄링 가중치를 늘려야 합니다.
      잔류 에너지가 낮으면 재전송을 제한하고 큐 압력을 낮추세요.
      이러한 동적 규칙 조정은 정적 퍼지 시스템에 비해 더 신속하게 혼잡 완화를 가능하게 합니다.
   5. 회원 기능과 규칙을 정의하고 조정하세요. 먼저, 예비 연구로 수행된 NS-2 시뮬레이션 추세의 경험적 범위를 바탕으로 퍼지 멤버십 함수를 설정하였습니다. 이러한 추세에는 버퍼 점유율, 채널 활용률, 잔류 에너지, LQI 분포가 포함됩니다. 그 후, ANFIS 훈련 절차를 통해 이 소속 함수들을 조정하는데, 여기서 기울기 하강을 사용해 MF 경계와 Sugeno 출력 매개변수를 최적화합니다. 전문가가 도출한 휴리스틱을 바탕으로 초기 퍼지 규칙 기반을 만드세요. 그 후에는 신경적응 시스템을 훈련시켜 규칙 가중치와 매개변수가 대표적인 트래픽 패턴에 따라 업데이트될 때까지 진행하며, 이를 조정할 수 있게 합니다.
   6. NFDE의 계산 범위 평가를 통해 IoT 등급 센서 노드에 적합한지 판단하세요. 추론 시간은 보통 1.2-1.8ms 정도이며, 72 MHz로 작동하는 Cortex-M4 마이크로컨트롤러에서 확인하세요. 모든 멤버십 함수와 규칙 매개변수의 메모리 소모가 40KB를 넘지 않도록 주의하세요. 모든 ANFIS 훈련은 센서 노드가 아닌 오프라인에서 수행하세요. 매우 낮은 계산 부하로 실시간 적응성을 유지하기 위해 배포 중에는 경량 추론 부분만 사용해야 합니다.
   7. 훈련 절차: 하이브리드 ANFIS 알고리즘을 사용하여 오프라인 NFDE 훈련
      순방향 통과(최소제곱 추정): 수겐노 규칙의 선형 매개변수를 결정합니다.
      후방 통과(그라디언트 하강): 비선형 MF 파라미터를 업데이트합니다.
      1. 훈련 매개변수를 학습 데이터셋 크기로 설정하세요: 시뮬레이션된 교통 상태에서 생성된 15,000개의 샘플, 에포크: 50, 학습률(α): 0.01, 오류 허용 범위: 1 x 10 ⁻⁴, 조기 정지: 3 연속 에포크, 개선 없음, 최적화 목표: NFDE 출력과 지상 진실 제어 프로필 간 RMSE 최소화.
6. 혼잡은 상태 및 하위 상태 수준 지표로 드러납니다. IFQ가 용량 한도에 가까워질 때 대기열 점유 수준, 대기열 성장률, 패킷 드롭 이벤트를 검사하여 노드 수준의 혼잡을 구분합니다. MAC 사용 시간 지속 증가, 긴 백오프 간격, 충돌 확률 증가로 인한 채널 수준의 혼잡을 추론합니다. 이 신호들은 혼잡 심각도를 결정하고 자율 제어 조치를 내는 뉴로-퍼지 의사결정 엔진에 지속적으로 공급됩니다.
7. 혼잡 감지 시 NFDE는 패킷 전송을 줄이기 위해 집계 범위를 넓히고, 트래픽 중요도에 맞춰 스케줄링 가중치를 재구성하며, 전송 속도를 낮춰 큐를 정규화합니다. 감지 메커니즘을 애플리케이션 계층과 분리하여 트래픽 유형이 달라도 혼잡 처리가 유지되도록 하세요.
8. 거의 실시간으로 반응하기 위해 1-2초마다 파라미터를 업데이트하세요. 표 3을 사용하여 Neuro-Fuzzy Decision Engine에 적용된 소속 함수 매개변수, 출력 범위, 대표적인 퍼지 규칙을 참조하세요. 나열된 수치 MF 값, Sugeno 출력 경계, 그리고 예시 결정 규칙을 참고하여 컨트롤러의 추론 및 적응 동작을 정확히 재현하세요.
9. 분석을 네 가지 주요 단계로 나누어 수행하세요:
   설정: NS-2.35, Python 분석 도구를 준비하고 네트워크 토폴로지와 트래픽 패턴을 생성합니다.
   매개변수 튜닝: 집계 깊이, 스케줄링 가중치, 인터페이스 큐 매개변수, NFDE 멤버십 기능 및 학습 설정을 구성합니다.
   시뮬레이션 실행: 여러 노드 밀도와 트래픽 부하에서 모든 시나리오를 실행하고, 전체 NS-2 트레이스 파일을 수집하며, 인큐, 디큐, 드롭, 배달, 에너지 상태 등 주요 이벤트를 기록합니다.
   분석: Python 스크립트를 사용해 PDR, 지연 시간, 처리량, 에너지 및 수명 지표를 추출하고 기준선 전반에 걸쳐 통계적 유의성을 계산합니다.
   참고: 이 워크플로우는 구성부터 분석까지 명확하고 재현 가능한 순서를 제공하며 그림 1에 나와 있습니다.

표 3: 신경 퍼지 의사결정 엔진에서 사용되는 퍼지 소속 함수, 출력 범위 및 대표 규칙. 다섯 가지 입력 변수 모두 삼각형 및 사다리꼴 소속 함수를 가지며, 표는 이들의 정확한 수치 매개변수를 제공합니다. 표는 또한 수겐노형 출력의 작동 범위도 보여줍니다. 대표적인 퍼지 규칙은 시스템이 네트워크 상태를 해석하여 집계 깊이, 큐 스케줄링 가중치, 전송 속도 스케일링을 조정하는 방식을 보여줍니다. 재현성 매개변수에는 MF 개수, 규칙 집합 크기, 학습률, 업데이트 간격 등이 있으며, 이는 NFDE의 직접 복제를 용이하게 하기 위해 존재합니다. 이 표를 다운로드하려면 여기를 클릭해 주세요.

그림 1: IoT 지원 무선 센서 네트워크를 위한 지능형 혼잡 제어 프로토콜 아키텍처. 하이브리드 혼잡 통제 정책의 포괄적인 통합 워크플로우는 이 다이어그램에 나타났습니다. 네트워크 상태 측정값—버퍼 점유, 채널 활용도, 잔류 에너지, 링크 품질, 트래픽 우선순위—는 멤버십 함수 계층과 뉴로-퍼지 의사결정 엔진에 입력되며, 이후 집계 깊이, 스케줄링 가중치, 전송률 조정과 같은 적응형 제어 변수를 생성합니다. 이 변수들은 하이브리드 집계 모듈과 적응형 스케줄링 모듈을 제어하여, 더 높은 패킷 전달 비율, 낮은 지연 시간, 에너지 소비 감소, 네트워크 수명 연장 등 공동 최적화된 트래픽 지표를 가능하게 합니다. 약어: NF = 뉴로퍼지, PDR = 패킷 전달 비율, WRR = 가중 라운드 로빈, WSN = 무선 센서 네트워크, IoT = 사물인터넷, AQM = 활성 큐 관리(해당 시), RSSI = 수신 신호 강도 표시기(해당 시). 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

4. 데이터셋 세부 정보

참고: 본 연구에서 사용된 시뮬레이션 데이터셋은 NS-2.35 환경을 사용해 내부적으로 생성되었으며, 파일 크기 제약으로 인해 공개 저장소에 보관되지 않습니다. 하지만 데이터셋을 재현하는 데 필요한 모든 구성 파일, TCL 스크립트, NFDE 코드, Python 분석 스크립트는 다음 GitHub 저장소에서 공개적으로 제공됩니다: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. 연구자들은 제공된 구성 파일과 스크립트를 실행하여 전체 데이터셋을 재생성할 수 있습니다. 추가 데이터 파일은 합리적인 요청 시 저자로부터 제공될 수 있습니다.

1. 구성 파일, 무작위 시드 리스트, 원시 NS-2 트레이스 파일, 처리된 CSV 결과, 트레이스 파싱 및 시각화를 위한 Python 스크립트를 생성하여 데이터셋을 준비하세요.
2. 데이터셋 출처 명확:
   1. 외부 또는 공개 저장소에서 가져오지 말고 NS-2.35 시뮬레이션 플랫폼을 사용하여 전체 데이터셋을 생성하세요.
   2. NS-2.35를 구성하여 각 시뮬레이션 실행에 대해 원시 트레이스 파일을 출력하도록 하는데, 여기에는 인큐, 디큐, 드롭, 전달, MAC 이벤트, 노드 수준의 에너지 로그 등이 포함됩니다.
   3. 시뮬레이션 워크플로우의 일부로 모든 토폴로지, 교통 패턴, 매개변수 설정을 프로그래밍적으로 생성합니다. 각 시나리오가 약 20MB의 원시 추적 데이터를 생성하고, 모든 실험 결과를 프로젝트 디렉터리에 저장하세요.
   4. 이 추적 파일들은 Python 스크립트를 사용해 패킷 전달 비율, 지연 시간, 처리량, 에너지 소비, 네트워크 수명 지표를 추출합니다.
   5. 이 연구에서는 제3자 또는 외부 데이터셋을 사용하지 않습니다.
3. 노드 밀도, 트래픽 강도, 무작위 시드를 포함한 75가지 시나리오를 다룹니다.
4. 시나리오당 약 20MB의 원시 추적 데이터와 1-2MB의 처리 결과가 예상되며, 총 데이터셋 크기는 약 2GB입니다.

5. 시뮬레이션 실행

1. 각 시뮬레이션을 900초 동안 실행하세요. 제안된 프로토콜을 세 가지 대안과 비교해 보세요: 집계 전용 방식, 스케줄링 전용 방식, 그리고 PCCP 기준선.
2. 모든 프로토콜에서 동일한 네트워크 토폴로지와 무작위 시드를 사용하여 비교 가능성을 보장하세요. 각 실행에서 추적 파일을 수집하여 결과 디렉터리에서 노드 밀도, 트래픽 부하, 프로토콜 유형별로 정리하세요.

6. 데이터 분석

1. 파이썬 스크립트로 추적 파일을 구분석하여 패킷 전달 비율, 종단 간 지연 시간, 처리량, 노드당 에너지 소비, 네트워크 수명(첫 노드 사망 시간 및 50% 노드 사망 시간)을 계산합니다.
2. 5번의 실행 결과의 평균 결과를 95% 신뢰구간± 평균으로 보고합니다.
3. 정규분포 데이터에는 쌍 t검정을, 그렇지 않은 경우에는 Wilcoxon 부호 순위 검정을 적용하고, p < 0.05에서 차이를 유의하게 간주합니다.

7. 소프트웨어 사용을 위한 운영 지침

1. NS-2 실행 및 Tcl 스크립트 호출
   1. NS-2.35를 사용하여 제공된 Tcl 파일(hybrid_protocol.tcl)을 사용하여 시뮬레이션 시나리오를 실행하세요.
      단일 시나리오를 실행해 보세요:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      플래그: -nn (노드), -seed (시드), -traffic (cbr|bursty), -out (trace file).
      배치 실행: ./configs/run_experiment.sh
2. 트레이스 파싱 및 메트릭 추출을 위한 파이썬 스크립트
   1. 트레이스 구문 분석
      Python 분석/parse_ns2.py traces/out_300_seed3.tr --o 결과/metrics_300_3.csv
   2. 총계 지표
      파이썬 분석/compute_metrics.py 결과 --요약 결과/summary_all.csv
   3. 플롯 생성
      파이썬 분석/plot_metrics.py 결과/summary_all.csv --출력 도표/
3. NFDE 훈련 및 추론
   1. 학습 데이터 생성
      Python NFDE/anfis_train.py --generate 15000 --out NFDE/training_data.csv
   2. 열차 NFDE
      Python NFDE/anfis_train.py --train nfde/training_data.csv --epochs 50 --lr 0.01 --out NFDE/nfde_model.pkl
   3. NFDE 추론 실행하세요
      python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. 예상 결과

1. 제안된 프로토콜이 6,7,13,14,17,24 기준 체계보다 우수한 성능을 보임을 입증합니다. 심한 혼잡 상황에서도 높은 패킷 전달 비율을 유지하고, 적응형 스케줄링을 통해 종단 간 지연을 줄이며, 중복 전송을 제어하여 더 높은 처리량을 유지합니다.
2. 재전송 감소와 부하 균형 분배를 통해 에너지 효율 향상과 네트워크 수명 연장을 보여줄 수 있습니다.
3. 이 프로토콜이 헬스케어, 산업용 IoT, 스마트 시티 응용 분야에서 적시성과 신뢰성 있는 데이터 전달이 필수적인 IoT 지원 WSN에 적합한지 강조하세요.

결과

PRAM 방식은 단일 홉 통신과 제한된 버퍼 크기를 가진 무선 센서 네트워크 환경에서 실현 가능했습니다. 실험은 다양한 트래픽 속도로 수행되었으며, 이 방식의 성능은 처리량, 평균 접근 지연, 평균 비어 버퍼 수 측면에서 전통적인 알로하 및 트리 기반 알로하 변형(T-Aloha)과 비교되었습니다. 결과는 제안된 제도가 위 모든 지표에서 우수한 성과를 달성했음을 명확히 보여주었습니다.

각 실험 경향이 프로토콜과 어떻게 기계적으로 연결되어 있는지 명확히 보여주기 위해 다음과 같은 해석을 제시합니다:
패킷 전달 비율(PDR) 대 노드 밀도
노드 밀도가 증가하면 중계 노드와 병목 현상에서 자원 경쟁이 더욱 치열해집니다. 측정된 PDR 향상은 하이브리드 집계 방식이 효과적임을 강력히 시사하며, 이는 전송의 중복성을 줄입니다; 이로 인해 교통이 더 규칙적이 되고 상류 대기열의 혼잡이 완화됩니다. 집계 방식이 밀도가 높아질수록 패킷 손실이 낮아지는 주된 이유입니다; 따라서 네트워크...

토론

결과는 IoT 기반 무선 센서 네트워크에서 하이브리드 집계, 적응 스케줄링, 뉴로-퍼지 적응의 통합을 통해 혼잡 제어가 크게 향상되었음을 보여줍니다. 실제로 새로운 프로토콜은 패킷 전달, 지연, 처리량, 에너지 효율, 네트워크 수명 측면에서 집계 전용 프로토콜, 스케줄링 전용 프로토콜, PCCP 기준선보다 더 우수한 성능을 보인 것으로 평가받고 있습니다. 사실, 이러한 이점들은 여러 메커니즘을 조정하는 지능형 의사결정 엔진을 사용하는 솔루션이 고립된 혼잡 제어 기법을 사용하는 솔루션보다 우수하다는 설득력 있는 근거가 됩니다.

신뢰성에 영향을 미치는 중요한 단계
NS-2 시뮬레이션 환경의 정확한 배치—특히 라우팅 매개변수, MAC 경쟁 설정, 이중 대기열 구조—은 기본적인 부분입니다. 잘못된 설정은 혼잡 제어 전략의 장점을 숨길 수 있기 때문입니다. 또한 신경-퍼지 의사결정 엔진(NFD...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
아쿠아-심 모듈 (선택 사항)	NS2 확장 저장소	–	수중 WSN 시나리오를 테스트할 때 사용됩니다
데스크톱/노트북 (인텔 i5/AMD 라이젠 5 등; 8GB RAM, 그리고 ge; 20GB 저장 공간)	상업적으로 이용 가능	–	모든 시뮬레이션을 실행했었어요
GNU C/C++ 컴파일러, Tcl/Tk	Ubuntu 저장소	–	NS-2 컴파일에 필수
MATLAB R2022a (선택 사항)	수학 작품	https://www.mathworks.com	선호 시 ANFIS/퍼지 모델링에 사용됩니다
NS-2.35 네트워크 시뮬레이터	ISI/NS2 프로젝트	https://www.isi.edu/nsnam/ns/	코어 시뮬레이션 환경
처리 결과 (.csv)	이 연구에서 생성된 내용	-	계산된 지표: PDR, 지연, 처리량, 에너지, 수명
파이썬 3.10 (NumPy, SciPy, Pandas, Matplotlib)	파이썬 소프트웨어 재단	https://www.python.org	분석 및 도면 작성에 사용됩니다
파이썬 분석 스크립트	이 연구에서 생성된 내용	-	트레이스를 파싱하고 플롯을 생성하는 스크립트
원시 NS-2 트레이스 파일 (.tr)	이 연구에서 생성된 내용	-	패킷 수준 전송 및 에너지 이벤트 포함
시뮬레이션 구성 파일(토폴로지, 교통 모델, 랜덤 시드)	이 연구에서 생성된 내용	-	실험 재현에 필요한
우분투 리눅스 22.04 LTS	캐노니컬 주식회사	https://ubuntu.com	NS-2용 운영 체제