Methodenartikel

Intelligent congestiebeheersingsmechanisme voor IoT-ondersteunde draadloze sensornetwerken met behulp van hybride aggregatie- en planningstechnieken

DOI:

10.3791/69909

⸱

13 januari 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 dit artikel

Samenvatting

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

Dit protocol introduceert een slimme congestiebeheermethode voor IoT-ondersteunde WSN, waarbij een hybride aggregatie- en planningstechniek wordt aangevuld met een neuro-fuzzy beslissingslaag. Het voorgestelde systeem verbetert pakketlevering, vertraging, doorvoer en energie-efficiëntie, waardoor de netwerklevensduur wordt verlengd en QoS wordt gegarandeerd bij variabele IoT-workloads.

Samenvatting

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

Congestie in IoT-ondersteunde draadloze sensornetwerken (WSN's) verslechtert pakketlevering, latentie en energieverbruik, waardoor het netwerk wordt aangetast, vooral onder bursty en heterogene verkeersomstandigheden. Dit protocol illustreert een intelligente congestiebeheertechniek die hybride data-aggregatie, adaptieve planning en een neuro-fuzzy beslissingsengine combineert om de netwerkbelasting efficiënt te beheren. De methode omvat eerst het genereren van simulatiegegevens, het creëren van topologieën met verschillende knooppuntdichtheden en het opzetten van verkeerspatronen met NS-2.35. Pakkettraces worden voor elk scenario verkregen om reproduceerbare evaluatie mogelijk te maken. De protocolworkflow verwijst naar de combinatie van twee mechanismen: (1) hybride aggregatie, die pakketten combineert in tijd- en aantalvensters terwijl prioriteitslabels behouden blijven, en (2) adaptieve planning, die dubbele prioriteitswachtrijen afhandelt via gewogen round robin. Een neuro-fuzzy controller evalueert altijd de bufferbezetting, linkkwaliteit, kanaalgebruik, restenergie en verkeersprioriteit. Met deze input reguleert het aggregatiediepte, wachtrijgewichten en transmissiebeslissingen door fuzzy inferentie en neuro-adaptief leren. Prestatiemeettaken omvatten de berekening van pakketleveringsratio, end-to-end latentie, doorvoer, energieverbruik op nodeniveau en netwerklevensduur. Statistische analyses worden uitgevoerd over meerdere runs om de betrouwbaarheid van de resultaten te controleren. De aanpak laat betere prestaties zien in de simulatie vergeleken met de basisschema's. Dit protocol biedt een reproduceerbaar kader voor het verkennen van hybride congestiebeheermethoden die energiezuinige, schaalbare en QoS-bewuste werking mogelijk maken in IoT-ondersteunde WSN-omgevingen.

Inleiding

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

De enorme groei van het Internet of Things (IoT) heeft de inzet van miljarden onderling verbonden apparaten noodzakelijk gemaakt, waarvan draadloze sensornetwerken (WSN's) worden gebruikt om realtime monitoring en beslissingsondersteuning te bieden in de meeste gevallen 1,2. Deze netwerken vormen de kernstructuren van IoT-ondersteunde systemen in radicaal verschillende vakgebieden, zoals gezondheidszorgmonitoring3, slimme steden4, precisielandbouw5, industriële automatisering6 en milieuwaarneming7. WSN's bestaan uit sensorknooppunten die beperkte middelen hebben, zoals bandbreedte, energie en rekenkracht. De beperkingen verergeren het probleem omdat IoT-verkeer ook zeer dynamisch en bursty is, waardoor de genoemde netwerken zeer gevoelig zijn voor congestie8.

Dit protocol is vooral relevant voor middelgrote tot grootschalige IoT-implementaties (150-750 nodes) die gemengd, periodiek en bursty verkeer produceren onder strakke energiebeperkingen. Dergelijke situaties komen heel vaak voor in zorgmonitoring, smart city sensing en industriële automatiseringssystemen, waar het nog steeds noodzakelijk is om betrouwbare levering en communicatie met lage latentie te garanderen ondanks de beperkte middelen van nodes9.

Congestie in WSN's kan de netwerkprestatiecapaciteit ernstig belemmeren door verschillende middelen, waaronder pakketverlies, verhoogde wachtrijvertragingen, verminderde doorvoersnelheid en versnelde energieuitputting 8,10. In missie-kritieke IoT-scenario's, bijvoorbeeld telemedicine of rampenbestrijding, kan vertraging of pakketverlies door congestie fatale gevolgen hebben11,12. Huidige congestiebeheersingsmethoden hebben drie primaire categorieën: verkeersgebaseerde schema's (source rate limiting, back-pressure control)13,14, aggregatie-gebaseerde schema's (in-netwerk datacombinatie)15,16, en planningsgebaseerde schema's (prioriteitswachtrij, kanaalallocatie)9,17. Deze technieken bereiken dus een bepaald niveau van succes, maar hebben ook tekortkomingen wanneer ze alleen worden gebruikt. Zo zijn verkeersgebaseerde methoden vaak schuldig aan het verslechteren van applicatieprestaties door het verlagen van de bronsnelheden op een niet-selectieve manier. Aggregatiegebaseerde methoden elimineren redundantie maar voegen vertraging toe aan de tijdkritische stromen. Hoewel planningsgebaseerde strategieën het niveau van eerlijkheid kunnen verhogen, kunnen ze niet effectief functioneren zonder de aanwezigheid van andere hoge verkeersbelastingen6.

In vergelijking met alleen verkeer, aggregatie-only en alleen planningsschema's biedt hybride neuro-fuzzy control een meer evenwichtige afweging tussen pakketleveringsbetrouwbaarheid, latentie en energieverbruik. Door gezamenlijk de aggregatiediepte en planningsprioriteit te reguleren op basis van realtime netwerkstatus, vermindert de voorgestelde aanpak congestie effectiever onder zware en heterogene IoT-workloads18.

Onderzoeksmotivatie
IoT-ondersteunde draadloze sensornetwerken genereren heterogeen en vaak explosief verkeer, waardoor ze kwetsbaar zijn voor congestie, wachtrijoverloop en overmatige hertransmissies. Bestaande verkeersgebaseerde, alleen-aggregatie- of alleen-planningsschema's slagen er niet in een evenwichtige afweging te bereiken tussen pakketlevering, latentie en energieverbruik onder dynamische belastingscondities19,20. Gemotiveerd door deze beperkingen introduceert deze studie een hybride congestie-controleprotocol dat adaptieve aggregatie, QoS-bewuste planning en neuro-fuzzy besluitvorming combineert om betrouwbare, vertragingsbewuste en energiezuinige prestaties te bieden in dichte IoT-WSN-omgevingen.

Recent werk heeft het potentieel benadrukt van hybride mechanismen die aggregatie en planning combineren om doorvoer, latentie en energie-efficiëntie in balans te brengen21,22. Adaptieve methoden met fuzzy logica, reinforcement learning of neurofuzzy inferentie verbeteren de responsiviteit op dynamische netwerktoestandenverder 23,24,25,26. De meeste huidige methoden zijn echter afhankelijk van statische drempels, verhogen de rekenkracht die niet geschikt is voor resource-beperkte knooppunten, en zijn niet robuust onder heterogene IoT-workloads27,28. Daarom is de vraag naar intelligente congestiebeheersingsmechanismen die lichtgewicht, adaptief en in staat zijn om te reageren op verkeersveranderingen, terwijl ze de levensduur van het netwerk kunnen verlengen, nog steeds zeer hoog.

Verschillende studies zijn uitgevoerd om betrouwbaarheid, QoS-verbetering en veilige gegevensafhandelingsfuncties in IoT-ondersteunde WSN's aan het licht te brengen. Energiebewuste foutdetectie- en herstelschema's29,30 zijn aangetoond de robuustheid en end-to-end prestaties in veranderende omgevingente verhogen 31. Lichtgewicht blockchainprotocollen kunnen worden gebruikt om de gegevenscommunicatie in IoT-WSN-toepassingen verder te beveiligen. De implementatie van hiërarchische, op regels gebaseerde foutdetectiemethoden helpt ook bij het handhaven van QoS bij sensorinzet die beperkt is tot middelen. Deze verbeteringen wijzen op de vraag naar congestiebeheersingsoplossingen die kunnen worden geïntegreerd met betrouwbaarheid, beveiliging en efficiënt gebruik van middelen in moderne IoT-systemen.

Hoewel congestiebeheertechnieken voor WSN's uitgebreid zijn onderzocht, is het meestal zo dat bestaande oplossingen slechts rekening houden met enkellagige mechanismen—één van verkeersnelheidsaanpassing, aggregatie of planning15. Het betreffende protocol beschikt echter over een meerlaags adaptief mechanisme waarbij hybride aggregatie, prioriteitsbewuste planning en neuro-fuzzy besluitvorming gezamenlijk interageren en elkaar continu bijwerken. In tegenstelling tot standaard fuzzy-only methoden gebruikt de NFDE ANFIS-geleide neuro-adaptieve afstemming, waardoor on-the-fly wijzigingen in de lidmaatschapsfuncties en de regelparameters mogelijk zijn, afhankelijk van de werkelijke verkeerspatronen. Het voorgestelde protocol verschilt aanzienlijk van de andere modellen door deze geïntegreerde cross-layer coördinatie in combinatie met een lichtgewicht berekening die geschikt is voor IoT-hardware.

Voorafgaand aan dit artikel is er talrijk onderzoek gedaan naar congestie in WSN's, wat blijkt uit talrijke onderzoeken die honderden algoritmen rapporteren die congestie bij de link, buffer overflow of medium contention levels aanpakken. De meeste oplossingen zijn ontworpen om deze problemen op één protocollaag aan te pakken, terwijl het probleem van multi-layer adaptieve congestiecontrole nauwelijks is aangepakt 9,21. Het huidige onderzoek vult het gat op door cross-layer adaptatie te combineren met een lichtgewicht neuro-fuzzy module voor IoT-klasse hardware.

Gezien deze problemen heeft het onderzoek een intelligent congestiebeheersingsmechanisme gepresenteerd dat in staat is hybride aggregatie- en planningstechnieken te integreren met een neuro-fuzzy beslissingsmotor voor IoT-ready WSN's. De aggregatiecomponent beperkt redundante transmissies door gebruik te maken van zowel tijdgebaseerde als pakkettelling. De planningscomponent garandeert eerlijkheid en QoS-naleving door middel van de gewogen round robin over de dubbele wachtrijen voor kritieke en niet-kritische stromen. De neuro-fuzzy-engine houdt de belangrijkste netwerktoestandsvariabelen bij en buffert gezamenlijk bezetting, kanaalgebruik, restenergie, linkkwaliteit en verkeersprioriteit. Door gebruik te maken van fuzzy inferentieregels die worden verbeterd met neuro-adaptief leren, verandert de controller de aggregatiediepte, planningsgewichten en transmissiesnelheden. Zo'n gesloten-lus systeem maakt het protocol voldoende flexibel in realtime congestiesituaties.

We stelden de belangrijkste onderzoeksvragen op, die ons hielpen de reikwijdte en het belang van de studie te definiëren en duidelijk te kunnen presenteren. De onderzoeksvragen die het onderzoek hebben geleid zijn als volgt:
RQ1: Hoe kunnen hybride aggregatie en planning congestie in IoT-enabled WSN's effectiever verminderen dan zelfstandige methoden?
RQ2: Welke rol speelt een neuro-fuzzy decision engine bij het aanpassen aan netwerktoestanden onder wisselende verkeersbelastingen?
RQ3: Hoe verbetert het voorgestelde protocol de pakketleveringsratio, latentie, doorvoer en energie-efficiëntie vergeleken met conventionele congestiebeheersingsschema's?
RQ4: Kan het voorgestelde protocol de levensduur van het netwerk verlengen terwijl QoS behouden blijft in diverse IoT-toepassingen?

De bijdragen van deze studie zijn viervoudig. Het belangrijkste argument is een hybride aggregatie- en planningsraamwerk met neuro-fuzzy aanpassing voor congestiecontrole in IoT-ondersteunde WSN's. Het tweede punt is dat het een reproduceerbaar simulatieframework implementeert om de prestaties te testen onder verschillende netwerkgroottes en verkeersintensiteiten. Ten derde toont het de kwantificeerbare vooruitgang in pakketlevering, latentie, doorvoer, energie-efficiëntie en levensduur ten opzichte van de basislijnen. Uiteindelijk biedt het data, configuratiebestanden en analysescripts voor openheid en reproduceerbaarheid.

De verschillende methoden van congestiecontrole, waaronder alleen fuzzy, aggregatie-only, alleen planning en DRL-gebaseerd, hebben hun beperkingen, die het voorgestelde werk aanpakt door gebruik te maken van multi-layer adaptatie-hybride aggregatie, dual-queue adaptieve planning en een neuro-fuzzy decision engine, allemaal geïntegreerd in één lichtgewicht en hardwarevriendelijk framework. In tegenstelling tot DRL-gebaseerde methoden, die rekenkrachtig zijn en lang nodig hebben om te convergeren, kan de voorgestelde neurofuzzy-laag de bewerkingen bijna in realtime uitvoeren met aanzienlijk minder energie- en CPU-gebruik; daarom is het ideaal voor IoT-klasse sensorknooppunten. Verschillende congestiecontrolemethoden zijn in Tabel 1 vergeleken samen met de voorgestelde methode.

Tabel 1: Vergelijking van bestaande congestiebeheersingsmethoden en de voorgestelde methode. Deze tabel geeft een overzicht van de belangrijkste kenmerken, voordelen en beperkingen van verschillende categorieën congestiebeheersingsmethoden in draadloze sensornetwerken, zoals fuzzy-only, aggregatie-only, alleen-plannings- en DRL-gebaseerde benaderingen. Het wijst op de uniciteit van de voorgestelde methode door hybride aggregatie, adaptieve prioriteitsplanning en een lichtgewicht neurofuzzy-beslissingsengine te combineren om multi-layer adaptatie met lage rekenkosten te bieden. De vergelijking tussen hen toont aan dat het geïntroduceerde protocol in staat is om een betere PDR, lagere latentie, gebalanceerde doorvoersnelheid en verhoogde energie-efficiëntie te bereiken, en toch compatibel te zijn met IoT-WSN-apparaten met beperkte middelen. Klik hier om deze tabel te downloaden.

Gerelateerd werk
Recent onderzoek naar congestiebeheersing in IoT-ondersteunde draadloze sensornetwerken (WSN's) toont aan dat enkellaagse technieken – pure aggregatie, verkeersbeperking of planning – onvoldoende zijn onder heterogene en bursty verkeersbelastingen die buffer overflow, botsingen en ernstige energieverspilling¹-⁵ veroorzaken. Hybride aggregatie-schedulingschema's zijn daarom bekender geworden omdat ze tegelijkertijd redundante transmissies verminderen en contention reguleren terwijl knooppuntdichthedenschalen tot 6,7,8,10. Cross-layer varianten integreren routing, clustering en MAC-niveau planning om convergecaststromen en gemengde QoS-workloads te stabiliseren 11,12,13, terwijl fuzzy of heuristische triggers de aggregatiediepte en servicediscipline aanpassen op basis van lokale congestiesignalen 14,15,16. Soft-computing technieken verbeteren de responsiviteit verder: fuzzy controllers leiden wachtrijtoestanden af uit bufferbezetting, linkkwaliteit en hertransmissies 9,17,21; neuro-fuzzy-systemen verbeteren dit door regelgewichten te leren voor multi-objectieve optimalisatie over pakketleveringsratio (PDR), latentie, doorvoer en energieverbruik 22,23,24. Ondertussen beheren deep reinforcement learning (DRL/RL) benaderingen snelheidscontrole, caching en planning 25,26,27,28, en generatieve/optimalisatie-gebaseerde frameworks herstructureren clusters en routes onder stress terwijl het lokale verkeersgedrag²9 wordt afgestemd. Over deze uiteenlopende benaderingen heen presteren intelligente hybriden consequent beter dan statische methoden door overspoelingen in de wachtrij te beperken, concessievensters te stabiliseren, vertragingen te verlagen en de doorvoer en energie-efficiëntie te verbeteren onder wisselende verkeersomstandigheden 8,9,12,24,25,26,27,28,29,30 ,32,33,34.

Een parallelle lijn richt zich op het verbeteren van de netwerklevensduur en QoS door congestiecontroleparameters aan te passen aan energieniveaus, verbindingscondities en toepassingsprioriteiten. Studies tonen aan dat het aggregeren van gecorreleerde pakketten het aantal transmissies vermindert, terwijl adaptieve planning contention, idle listening en botsingsstormenminimaliseert 14,17,18,27,30,32,33,34,35,36 . Prioriteitsgebaseerde mechanismen beschermen dringende gezondheidszorg of industrieel verkeer terwijl ze het tempo van niet-kritische telemetrieaangeven. 18,32,33,35, en fuzzy/neuro-fuzzy routing, clustering en snelheidscontrole verzachten oscillaties verder in hoogbelaste scenario's 33,18. Aanvullende ontwikkelingen zoals AI-gedreven optimalisatie voor routing37, clustering38 en langetermijncongestiebewuste mapping39, samen met intelligente foutdetectie40, blockchain-ondersteunde veilige communicatie31 en energiebewust herstel⁴1, benadrukken de groeiende trend naar geïntegreerde en contextbewuste congestieoplossingen. Ondanks deze ontwikkelingen missen de meeste bestaande benaderingen nog steeds een uniform, lichtgewicht, realtime framework dat gezamenlijk aggregatie, planning en intelligente aanpassing kan coördineren over diverse IoT-workloads. Deze kloof stimuleert de ontwikkeling van een intelligent hybride congestiebeheersysteem dat gebruikmaakt van neuro-fuzzy besluitvorming voor schaalbare, QoS-bewuste en energiezuinige prestaties in moderne, IoT-ondersteunde WSN-omgevingen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

1. Simulatieomgeving-opstelling

  1. Installeer Ubuntu 22.04 LTS op een werkstation met minstens een Intel i5-processor, 8 GB RAM en 20 GB opslag. Configureer de GNU C/C++-compiler en Tcl/Tk-bibliotheken om NS-2.35 te compileren en uit te voeren.
  2. Installeer Python 3.10 samen met NumPy, SciPy, Pandas en Matplotlib voor analyse en plotten. Schakel de NS-2 energie- en wachtrijmonitoringmodules in om wachtrij-, dequeue-, drop-, leverings- en energieverbruiksgebeurtenissen vast te leggen.
  3. Voer elk experiment 5 keer uit met onafhankelijke willekeurige seeds om reproduceerbaarheid te garanderen.
  4. Structureer de simulatiemap in submappen voor configuraties, scripts, resultaten en analyses, en houd Markdown-logboeken bij om configuraties en uitkomsten vast te leggen.
    OPMERKING: Alle TCL-configuratiebestanden, NFDE-implementatiescripts en analysehulpmiddelen die in de simulatieworkflow worden gebruikt, zijn beschikbaar in Aanvullend Bestand 1.

2. Netwerktopologie en verkeersgeneratie

  1. Genereer draadloze sensornetwerktopologieën met 150, 300, 450, 600 en 750 knooppunten, gelijkmatig verdeeld binnen een inzetgebied van 600 x 600 m².
  2. Initialiseer elke node met 25 J energie, een transmissiebereik van 75 m en een bandbreedte van 250 kbps om IoT-klasse apparaten te representeren.
  3. Plaats de sinknode ofwel in het centrum of aan de netwerkgrens om heterogene routeringspaden te creëren.
  4. Introduceer verkeersmodellen met periodieke constante bitrate-stromen van 1 pakket/s en gebeurtenisgestuurde bursts van 5-10 pakketten/s die 20-30 seconden duren.
  5. Combineer achtergrond- en hoogprioriteitsverkeer om het vermogen van het protocol te testen om flows te onderscheiden en te prioriteren. Samengevatte simulatieparameters zijn weergegeven in Tabel 2.
  6. NS-2 simulatieconfiguratieparameters
    1. Routingprotocol: Gebruik Ad hoc On-Demand Distance Vector (AODV) routering voor alle simulaties. Stel de volgende belangrijke parameters in: Hallo-interval: 1 s, Actieve route-timeout: 3 s, TTL-start/max: 2 / 7 hops.
      OPMERKING: AODV wordt gekozen vanwege de lichte overhead van de control packet en de geschiktheid voor dynamische IoT/WSN-topologieën.
    2. MAC-configuratie: Gebruik MAC-protocol IEEE 802.11 DCF (Distributed Coordination Function). Stel de volgende belangrijke parameters in: Basissnelheid: 1 Mbps, Datasnelheid: 250 kbps (WSN-klasse datasnelheid), RTS/CTS: uitgeschakeld (volgt typische laagvermogen WSN-opstellingen), CWmin = 31, CWmax = 1023, Slottijd = 20 μs, SIFS = 10 μs, DIFS = 50 μs.
    3. Wachtrijconfiguratie: Stel het wachtrijtype in als PriQueue om dual-priority planning te ondersteunen, de wachtrijlengte (IFQ-lengte) op 50 pakketten. Stel de wachtrijtoewijzing in als hoogprioriteitsverkeer naar Wachtrij 1 en normaal verkeer naar Wachtrij 2. Stel het wachtrijgedrag in op DropTail dat wordt gebruikt voor overflow-afhandeling.
    4. Propagatiemodel: Kies TwoRayGround voor typische IoT/WSN-buitenomgevingen waar padverlies toeneemt met de afstand. Stel de modelparameters in als antennehoogte: 1,5 m, systeemverliesfactor: 1,0, minimale ontvangstvermogensdrempel: −95 dBm.
    5. Interface- en antennemodellen: Stel het draadloze interfacetype in als Phy/WirelessPhy. Stel de volgende netwerkinterfaceconfiguratie in: Interface queue type: Queue/DropTail/PriQueue, Netwerkinterface: CMUPriQueue voor geprioriteerde service. Stel het antennemodel in als Antenna/OmniAntenna omdat deze typische sensormotes (MicaZ, TelosB, enz.) weerspiegelt.
    6. IFQ-lengte en pakketgrootte: Stel de wachtrijlengte van de interface (IFQLength) in op 50 pakketten omdat dit zorgt voor congestie bij realistische verkeerspieken. Stel de volgende pakketgrootteparameters in: Standaard CBR-pakket: 512 bytes, MAC-header: ~36 bytes, AODV-controlepakket: ~32 bytes. Stel fragmentatiedrempel in op Geen (fragmentatie uitgeschakeld).
    7. Kanaalinstellingen: Stel kanaaltype in op Channel/WirelessChannel, frequentie op 2,4 GHz ISM-band (gemeenschappelijke IoT-frequentie), bandbreedte op 250 kbps, en duplexen naar half-duplex. Stel de parameters van de linklaag in als Initiële energie: 25 J, transmissievermogen: 0,66 W, ontvangstvermogen: 0,395 W, idle-vermogen: 0,035 W en slaapvermogen: 0,003 W. Stel ruisvloer in op −100 dBm en draaggolfdetectiedrempel (CST) op −94 dBm.

Tabel 2: NS-2.35 simulatieparameters gebruikt voor het evalueren van het voorgestelde congestiebeheersingsprotocol. Deze tabel verzamelt alle simulatieconfiguraties in NS-2.35, zoals de grootte van het deploymentgebied, knooppuntdichtheden, energiegerelateerde parameters, MAC- en routeringsconfiguraties, wachtrijstructuur, propagatiemodel, pakketgrootte en controledrempels. De parameters garanderen de volledige reproduceerbaarheid van de experimentele omgeving voor de prestatievergelijking van hybride, alleen-aggregatie, alleen-plannings- en basiscongestiecontroleschema's. Klik hier om deze tabel te downloaden.

3. Methodologiearchitectuur

  1. Ontwerp het voorgestelde protocol door hybride aggregatie, adaptieve planning en een neuro-fuzzy decision engine te integreren.
  2. Implementeer hybride aggregatie om pakketten te combineren binnen tijdgebaseerde of pakkettellingvensters, terwijl prioriteitstags voor kritisch verkeer behouden blijven.
  3. Gebruik adaptieve planning om twee wachtrijen te beheren – één voor kritieke en één voor niet-kritische stromen – en pas gewogen round robin planning toe met dynamisch instelbare wachtrijgewichten.
  4. Gebruik de neuro-fuzzy decision engine om bufferbezetting, kanaalgebruik, residuele energie, linkkwaliteit en verkeersprioriteit te monitoren.
  5. Kaart deze invoer in fuzzy lidmaatschapsfuncties, pas inferentieregels toe om aggregatiediepte en planningsgewichten te optimaliseren, en verfijn systeembeslissingen via neuro-adaptief leren.
    1. NFDE-modelstructuur: Implementeer de Neuro-Fuzzy Decision Engine (NFDE) als een eerste-orde Sugeno Adaptive Neuro-Fuzzy Inference System (ANFIS) met vijf inputvariabelen en drie outputcontroleparameters. Het systeem gebruikt een vijflaagse architectuur
      Laag 1 - Inputfuzzificatie: Zet scherpe sensorwaarden om in lidmaatschapsgraden.
      Laag 2 - Regelsterkte van het vuur: Berekent de vuursterkte van regels met behulp van productinferentie.
      Laag 3 - Normalisatie: Normaliseert de vuursterkte.
      Laag 4 - Lineaire uitvoertermen: Genereert gewogen lineaire uitvoer.
      Laag 5 - Outputaggregatie: Combineert resultaten om aggregatiediepte, planningsgewicht en aanpassingen van transmissiesnelheid te produceren.
      Elke regel heeft de vorm: Als (B is X1) en (C is X2) en (E is X3) en (LQI is X4) en (P is X5) → f = p1· B + p2· C + p3· E + p4· LQI + p5· P + p0.
      Het model bevat 15-25 regels, afhankelijk van de complexiteitsbeperkingen.
    2. Invoer- en uitvoervariabelen
      1. Stel 5 invoervariabelen in, namelijk b uffer bezetting (B) - Verhouding van huidige wachtrijlengte tot IFQ-lengte (0-1), c hannel-gebruik (C) - MAC bezettingstijd fraction (0-1), r esidole energie (E) - Overgebleven energiefractie (0-1), l inktkwaliteitsindicator (LQI) - genormaliseerde kans op linksucces (0-1), en t raffic prioriteit (P) met 1,0 als kritisch en 0,0 als niet-kritisch.
      2. Stel 3 outputvariabelen in, namelijk: aggregatiediepte (A*) - Aanbevolen aantal pakketten om te aggregeren (bereik 1-6), s chedulinggewicht (W*) - Gewicht toegewezen aan een hoge prioriteitswachtrij (0,3-0,8), ratie-aanpassing (R*) - Transmissiesnelheidsschaal (−20% tot +10%).
    3. Alle ingangen gebruiken driehoekige of trapeziumvormige lidmaatschapsfuncties gedefinieerd in het bereik 0 - 1. Stel de m embershipfuncties als volgt in met numerieke bereiken.
      Bufferbezetting (B) - Laag: trapmf(0,0, 0,0, 0,20, 0,40), Middel: trimf (0,30, 0,50, 0,70), Hoog: trapmf (0,60, 0,80, 1,0, 1,0)
      Kanaalbenutting (C) - Laag: trimf(0.0, 0.15, 0.30), Medium: trimf(0.25, 0.50, 0.75), High: trimf(0.70, 0.85, 1.0)
      Restenergie (E) - Hoog: trapmf(0,70, 0,80, 1,0, 1,0), Medium: trimf(0,40, 0,55, 0,70), Laag: trapmf(0,0, 0,0, 0,30, 0,50)
      Link quality indicator (LQI) - Goed: trapmf(0,70, 0,80, 1,0, 1,0), Middel: trimf(0,40, 0,55, 0,70), Slecht: trapmf(0,0, 0,0, 0,30, 0,45)
      Verkeersprioriteit (P) - Niet-kritisch: trimf(0.0, 0.0, 0.1), Kritisch: trimf(0.9, 1.0, 1.0)
      Uitvoerlidmaatschapsfuncties - Omdat Sugeno ANFIS scherpe lineaire uitvoeren gebruikt:
      A* (aggregatiediepte) = a1·inputs + a0, afgeknipt tot [1,6], W* (prioriteitsgewicht) = w1·inputs + w0, afgeknipt tot [0,3,0,8], R* (snelheidsfactor) = r1·inputs + r0, afgeknott tot [−0,20, +0,10]
    4. Regelbasisformulering: Een volledige regelbasis bestaat doorgaans uit 15-25 regels, afhankelijk van de rekenkundige limieten. Stel een typische regeldeelverzameling als volgt in
      Als B = hoog EN C = hoog, → A* verminderen, W* verhogen, R* verminderen
      Als B = medium EN E = hoog EN P = kritisch → matig A*, verhoog dan W*
      Als LQI = slecht → verhoog A* (om heruitzendingen te verminderen)
      Als E = laag → R* vermindert, verlaag A* (energiebesparing)
      Als C = laag EN P = kritisch → stel W* hoog in
      Als B = hoog EN LQI = goed → A* verminderen, verhoog R*
      OPMERKING: Eigenheid van het neuro-fuzzy regelsysteem. Het fuzzy-regelsysteem verschilt op twee manieren van conventionele congestiebeheersingsschema's:
      Multi-input koppeling: Het houdt gezamenlijk rekening met wachtrijbezetting, kanaalgebruik, aggregatiediepte en pakketprioriteitsmetrics die zelden samen worden gecombineerd in bestaande fuzzy WSN-controllers.
      Neuro-adaptieve regelafstemming: Initiële regels worden door experts gedefinieerd, maar vervolgens geoptimaliseerd met behulp van ANFIS-leren, waarbij regelsterktes en outputparameters worden bijgewerkt om aan te sluiten bij de werkelijke netwerkcondities. Representatieve regels die worden gebruikt zijn onder andere:
      ALS de bezetting van de wachtrij hoog is EN het kanaalgebruik hoog is, VERLAAG dan de transmissiesnelheid en verhoog de aggregatiediepte.
      ALS de bezetting in de wachtrij gemiddeld is EN de prioriteit hoog is, VERHOOG dan het planningsgewicht.
      ALS de restenergie laag is, beperk dan de hertransmissies en verlaag de wachtrijdruk.
      Deze dynamische regelaanpassingen maken een responsievere congestiebeperking mogelijk vergeleken met statische fuzzy-systemen.
    5. Definieer en stel lidmaatschapsfuncties en regels af. Ten eerste, stel de fuzzy membership functies op op basis van de empirische bereiken van de NS-2 gesimuleerde trends die als voorlopige studie zijn uitgevoerd. Deze trends omvatten bufferbezetting, kanaalgebruik, residuele energie en LQI-verdelingen. Vervolgens passen deze lidmaatschapsfuncties aan via de ANFIS-trainingsprocedure, waarbij gradient descent wordt gebruikt om zowel de MF-grenzen als de Sugeno-outputparameters te optimaliseren. Maak de eerste vage regelbasis uit de door experts afgeleide heuristieken. Daarna train je het neuroadaptieve systeem totdat de regelgewichten en parameters worden bijgewerkt vanwege representatieve verkeerspatronen, zodat ze kunnen worden afgestemd.
    6. Evalueer de rekenkundige voetafdruk van de NFDE om te bepalen of deze geschikt is voor IoT-klasse sensorknooppunten. Houd de inferentietijd bij, die meestal ongeveer 1,2-1,8 ms is op een Cortex-M4 microcontroller die op 72 MHz draait. Zorg ervoor dat het geheugenverbruik voor alle lidmaatschapsfuncties en regelparameters niet hoger is dan 40 KB. Voer alle ANFIS-training offline uit en niet op sensorknooppunten. Om realtime aanpassingsvermogen te behouden met een zeer lage rekenkracht, moet tijdens de implementatie alleen het lichte inferentiegedeelte worden gebruikt.
    7. Trainingsprocedure: Train NFDE offline met behulp van het hybride ANFIS-algoritme
      Voorwaartse pass (Least Squares Estimation): Bepaalt lineaire parameters van de Sugeno-regels.
      Backward pass (Gradient Descent): Werkt niet-lineaire MF-parameters bij.
      1. Stel trainingsparameters in als trainingsdatasetgrootte: 15.000 samples gegenereerd uit gesimuleerde verkeerstoestanden, Epochs: 50, Leersnelheid (α): 0,01, Fouttolerantie: 1 x 10⁻⁴, Vroegtijdige stop: 3 opeenvolgende epochs zonder verbetering, Optimalisatiedoel: minimaliseren van RMSE tussen NFDE-output en grond-waarheid controleprofielen.
  6. Congestie wordt zichtbaar door zowel contingentiële als subconditieniveau-indicatoren. Onderscheid knooppuntencongestie door de bezettingsniveaus van de wachtrij, de groeisnelheid van de wachtrij en pakketvervallen te inspecteren wanneer de IFQ zijn capaciteitslimiet nadert. Leid kanaalniveaucongestie af door aanhoudende toename van MAC-bezettingstijd, lange backoff-intervallen en toenemende botsingswaarschijnlijkheid. Deze signalen worden voortdurend geleverd aan de Neuro-Fuzzy Decision Engine, die de ernst van congestie bepaalt en autonome controlemaatregelen uitvoert.
  7. Bij congestiedetectie verbreedt de NFDE de aggregatie om pakkettransmissies te verminderen, planningsgewichten te herconfigureren voor verkeerskritischheid en de transmissiesnelheid te verlagen om de wachtrij te normaliseren. Houd het detectiemechanisme gescheiden van de applicatielaag, zodat congestie-afhandeling behouden blijft, zelfs als het verkeer van een ander type is.
  8. Werk parameters elke 1-2 seconden bij voor bijna realtime respons. Gebruik Tabel 3 om de parameters van lidmaatschapsfuncties, outputbereiken en representatieve fuzzy-regels te refereren die worden toegepast in de Neuro-Fuzzy Decision Engine. Raadpleeg de vermelde numerieke MF-waarden, Sugeno-uitgangsgrenzen en voorbeeldbeslissingsregels om het inferentie- en aanpassingsgedrag van de controller nauwkeurig te reproduceren.
  9. Voer de analyse uit in vier hoofdfasen:
    Opstellen: Bereid NS-2.35 voor, Python-analysetools, en genereer netwerktopologieën en verkeerspatronen.
    Parameterafstemming: Configureer aggregatiediepte, planningsgewichten, interface-queueparameters en NFDE-lidmaatschapsfuncties en leerinstellingen.
    Simulatie-uitvoering: Voer alle scenario's uit over meerdere knooppuntdichtheden en verkeersbelastingen, verzamel volledige NS-2 tracebestanden en log belangrijke gebeurtenissen zoals wachtrij, dequeue, drop, levering en energietoestanden.
    Analyse: Extraheer PDR-, latentie-, doorvoer-, energie- en levensduurmetrics met behulp van Python-scripts en bereken statistische significantie over baselines.
    OPMERKING: Deze workflow biedt een duidelijke, reproduceerbare volgorde van configuratie tot analyse en wordt geïllustreerd in Figuur 1.

Tabel 3: Fuzzy-lidmaatschapsfuncties, outputbereiken en representatieve regels gebruikt in de neuro-fuzzy decision engine. De vijf invoervariabelen hebben allemaal driehoekige en trapeziumvormige lidmaatschapsfuncties, en de tabel geeft de exacte numerieke parameters voor hen. De tabel geeft ook de operationele bereiken voor Sugeno-type uitvoeren aan. Representatieve fuzzy-regels tonen aan hoe het systeem netwerkcondities interpreteert om de aggregatiediepte, de gewichten van wachtrijplanning en de schaal van transmissiesnelheid aan te passen. Onder de reproduceerbaarheidsparameters bevinden zich MF-tellingen, regelsetgrootte, leersnelheid en update-interval, die bedoeld zijn om een directe replicatie van de NFDE te faciliteren. Klik hier om deze tabel te downloaden.

Figuur 1
Figuur 1: Architectuur van het intelligente congestiecontroleprotocol voor IoT-compatibele draadloze sensornetwerken. De uitgebreide geïntegreerde workflow van het hybride congestiebeheerbeleid wordt in dit diagram weergegeven. De netwerktoestandmetingen - bufferbezetting, kanaalgebruik, residuele energie, linkkwaliteit en verkeersprioriteit - worden ingevoerd in de lidmaatschapsfunctie laag en de Neuro-Fuzzy Decision Engine, die vervolgens adaptieve controlevariabelen genereert zoals aggregatiediepte, planningsgewicht en transmissiesnelheidsaanpassing. Deze variabelen sturen de Hybrid Aggregation Module en de Adaptive Scheduling Module, waardoor gezamenlijk geoptimaliseerde verkeersindicatoren mogelijk zijn met een hogere pakketleveringsratio, lagere latentie, verminderd energieverbruik en een verlengde netwerklevensduur. Afkortingen: NF = Neuro-Fuzzy, PDR = Pakketleveringsverhouding, WRR = Gewogen Round Robin, WSN = Draadloos Sensornetwerk, IoT = Internet of Things, AQM = Active Queue Management (indien van toepassing), RSSI = Received Signal Strength Indicator (indien van toepassing). Klik hier om een grotere versie van deze figuur te bekijken.

4. Datasetdetails

OPMERKING: De simulatiedataset die in deze studie wordt gebruikt, is intern gegenereerd met de NS-2.35-omgeving en wordt vanwege bestandsbeperkingen niet in een openbare repository geplaatst. Alle configuratiebestanden, TCL-scripts, NFDE-code en Python-analysescripts die nodig zijn om de dataset te reproduceren, zijn echter openbaar beschikbaar in de volgende GitHub-repository: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. Onderzoekers kunnen de volledige dataset regenereren door de meegeleverde configuratiebestanden en scripts uit te voeren. Aanvullende gegevensbestanden kunnen op redelijk verzoek van de auteurs beschikbaar worden gesteld.

  1. Bereid de dataset voor door configuratiebestanden, willekeurige seedlijsten, ruwe NS-2 tracebestanden, verwerkte CSV-resultaten en Python-scripts voor traceparsing en visualisatie te genereren.
  2. Bronverduidelijking van de dataset:
    1. Genereer de volledige dataset met behulp van het NS-2.35 simulatieplatform in plaats van deze op te halen uit externe of openbare repositories.
    2. Configureer NS-2.35 om ruwe tracebestanden uit te geven voor elke simulatierun, inclusief enqueue, dequeue, drop, delivery, MAC-events en energielogs op node-niveau.
    3. Maak alle topologieën, verkeerspatronen en parameterinstellingen programmatisch aan als onderdeel van de simulatieworkflow. Zorg ervoor dat elk scenario ongeveer 20 MB ruwe tracedata genereert en sla alle experimentele uitvoer op in de projectdirectory.
    4. Verwerk deze tracebestanden met behulp van Python-scripts om pakketleveringsratio, latentie, doorvoer, energieverbruik en netwerklevensduurstatistieken te extraheren.
    5. In deze studie worden geen externe of externe datasets gebruikt.
  3. Behandel 75 scenario's over knooppuntdichtheden, verkeersintensiteiten en willekeurige seeds.
  4. Verwacht ongeveer 20 MB ruwe tracedata en 1-2 MB verwerkte resultaten per scenario, wat resulteert in een totale datasetgrootte van ongeveer 2 GB.

5. Simulatie-uitvoering

  1. Loop elke simulatie 900 seconden uit. Vergelijk het voorgestelde protocol met drie alternatieven: een alleen-aggregatieschema, een schema dat alleen voor planning gericht is, en de PCCP-baseline.
  2. Gebruik identieke netwerktopologieën en willekeurige seeds over alle protocollen om vergelijkbaarheid te waarborgen. Verzamel tracebestanden van elke run en organiseer ze in de resultatenmap op knoopdichtheid, verkeersbelasting en protocoltype.

6. Data-analyse

  1. Parse tracebestanden met Python-scripts om de pakketleveringsratio, end-to-end latentie, doorvoer, energieverbruik per node en netwerklevensduur (tijd tot eerste knoopdood en 50% knoopdood) te berekenen.
  2. Gemiddelde resultaten over vijf runs en rapporteer deze als gemiddelde ± 95% betrouwbaarheidsinterval.
  3. Pas gepaarde t-tests toe voor normaal verdeelde data en Wilcoxon teken-rang tests anders en overweeg verschillen significant bij p < 0,05.

7. Operationele richtlijnen voor softwaregebruik

  1. NS-2-uitvoering en Tcl-scriptaanroep
    1. Gebruik NS-2.35 om simulatiescenario's uit te voeren met het meegeleverde Tcl-bestand (hybrid_protocol.tcl).
      Speel één scenario:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      Flags: -nn (nodes), -seed (seed), -traffic (cbr|bursty), -out (trace file).
      Batchuitvoering: ./configs/run_experiment.sh
  2. Python-scripts voor trace parsing en metriekextractie
    1. Parse een trace
      Python Analysis/parse_ns2.py traces/out_300_seed3.tr --o results/metrics_300_3.csv
    2. Aggregaat-metrieken
      Python-analyse/compute_metrics.py resultaten --samenvatting van resultaten/summary_all.csv
    3. Genereer grafieken
      Python-analyse/plot_metrics.py resultaten/summary_all.csv --outputcijfers/
  3. NFDE-training en inferentie
    1. Genereer trainingsgegevens
      python nfde/anfis_train.py --genereer 15000 --uit nfde/training_data.csv
    2. Train NFDE
      python nfde/anfis_train.py --train nfde/training_data.csv --epochs 50 --lr 0.01 --out nfde/nfde_model.pkl
    3. Voer NFDE-inferentie uit
      python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. Verwachte uitkomsten

  1. Toon superieure prestaties van het voorgestelde protocol aan ten opzichte van baseline-schema's 6,7,13,14,17,24. Houd hoge pakketleveringsratio's zelfs bij zware congestie, verminder end-to-end latentie door adaptieve planning en handhaaf een hogere doorvoer door redundante transmissies te regelen.
  2. Toon verbeterde energie-efficiëntie en een langere levensduur van het netwerk door verminderde hertransmissies en een gebalanceerde belastingsverdeling.
  3. Benadruk de geschiktheid van dit protocol voor IoT-ondersteunde WSN's in de gezondheidszorg, industriële IoT- en smart city-toepassingen, waar tijdige en betrouwbare datalevering cruciaal is.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Het PRAM-schema was haalbaar in een draadloze sensornetwerkomgeving met single-hop communicatie en beperkte buffergrootte. De experimenten werden uitgevoerd met verschillende verkeerssnelheden, en de prestaties van het schema werden vergeleken met de traditionele Aloha en een variant van boomgebaseerde Aloha (T-Aloha) qua doorvoer, gemiddelde toegangsvertraging en gemiddeld aantal niet-lege buffers. De resultaten toonden duidelijk aan dat het voorgestelde systeem superieure prestaties behaalde in al deze indicatoren.

...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

De resultaten tonen aan dat congestiecontrole aanzienlijk is verbeterd in IoT-ondersteunde draadloze sensornetwerken door de integratie van hybride aggregatie, adaptieve planning en neuro-fuzzy adaptatie. In feite is gebleken dat het nieuwe protocol betere prestaties behaalt dan de aggregation-only, scheduling-only en PCCP-baselines wat betreft pakketlevering, latentie, doorvoer, energie-efficiëntie en netwerklevensduur over verschillende knoopdichtheden en verkeerscondities. In feite di...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs verklaren dat zij geen concurrerende financiële belangen of persoonlijke relaties hebben die invloed hadden kunnen hebben op het werk dat in dit manuscript wordt gerapporteerd.

Dankbetuigingen

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

De auteurs erkennen dankbaar de steun die Vishwakarma University, Pune, biedt voor onderzoeksfaciliteiten en administratieve ondersteuning gedurende de ontwikkeling van dit werk. De auteurs bedanken ook de afdeling Computertechniek voor het leveren van de computationele infrastructuur die nodig is voor simulatie en analyse. Dit onderzoek ontving geen specifieke subsidie van een financieringsinstantie in de publieke, commerciële of non-profitsector. Grote taalmodeltools werden uitsluitend gebruikt voor het polijsten en opmaken van de taal. Alle wetenschappelijke inhoud, methoden en analyses zijn volledig door de auteurs ontwikkeld. Alle tekst die via AI-hulp werd gegenereerd, werd beoordeeld en gevalideerd op nauwkeurigheid.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Aqua-Sim Module (optioneel)NS2 Extension Repository–Wordt gebruikt als er onderwater WSN-scenario's worden getest
Desktop/Laptop (Intel i5/AMD Ryzen 5, ≥8 GB RAM, ≥20 GB opslagruimte)Commercieel verkrijgbaar–Wordt gebruikt om alle simulaties uit te voeren
GNU C/C++ Compiler, Tcl/TkUbuntu repository–Vereist voor het compileren van NS-2
MATLAB R2022a (optioneel)MathWorkshttps://www.mathworks.comWordt gebruikt voor ANFIS/fuzzy modeling indien gewenst
NS-2.35 Netwerk SimulatorISI/NS2 Projecthttps://www.isi.edu/nsnam/ns/Kernsimulatie-omgeving
Verwerkte resultaten (.csv)Gegenereerd in deze studie-Berekende metrics: PDR, vertraging, doorvoer, energie, levensduur
Python 3.10 (NumPy, SciPy, Pandas, Matplotlib)Python Software Foundationhttps://www.python.orgWordt gebruikt voor analyse en plotten
Python analysescriptsGegenereerd in deze studie-Scripts om traces te parseren en plots te genereren
Ruwe NS-2 trace bestanden (.tr)Gegenereerd in deze studie-Bevat pakket-niveau transmissie- en energie-evenementen
Simulatie configuratiebestanden (topologie, verkeersmodellen, willekeurige zaden)Gegenereerd in deze studie-Vereist voor het repliceren van experimenten
Ubuntu Linux 22.04 LTSCanonical Ltd.https://ubuntu.comBesturingssysteem voor NS-2

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

IoT netwerkenadaptieve planningneuro fuzzy controllerpakketbezorgingsratioend to end latencyenergieverbruiknetwerklevensduur
Video binnenkort beschikbaar

Gerelateerde artikelen