Artykuł metodologiczny

Inteligentny mechanizm kontroli przeciążenia dla bezprzewodowych sieci sensorów z obsługą IoT, wykorzystujący technikę agregacji i harmonogramowania hybrydowej

DOI:

10.3791/69909

⸱

13 stycznia 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

W tym artykule

Podsumowanie

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

Protokół ten wprowadza inteligentną metodę kontroli przeciążenia dla WSN z obsługą IoT, wykorzystującą hybrydową technikę agregacji i harmonogramowania, uzupełnioną o warstwę decyzyjną neuro-fuzzy. Proponowany system zwiększa dostarczanie pakietów, opóźnienia, przepustowość oraz efektywność energetyczną, wydłużając tym samym żywotność sieci i zapewniając komfort jakości pracy w przypadku zmiennych obciążeń IoT.

Streszczenie

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

Przeciążenie w bezprzewodowych sieciach sensorów (WSN) z IoT pogarsza jakość dostarczania pakietów, opóźnienia i zużycie energii, uszkadzając sieć, zwłaszcza w warunkach burzliwego i zróżnicowanego ruchu. Protokół ten ilustruje inteligentną technikę kontroli przeciążenia, która łączy hybrydową agregację danych, adaptacyjne planowanie oraz neuro-fuzzy engine decyzyjne, aby efektywnie radzić sobie z obciążeniem sieci. Metoda polega najpierw na generowaniu danych symulatorskich, tworzeniu topologii o różnych gęstościach węzłów oraz ustawianiu wzorców ruchu przy użyciu NS-2.35. Dla każdego scenariusza uzyskuje się ślady pakietów, aby umożliwić powtarzalną analizę. Przepływ protokołu odnosi się do połączenia dwóch mechanizmów: (1) agregacji hybrydowej, która łączy pakiety w oknach opartych na czasie i liczbie, zachowując etykiety priorytetów, oraz (2) planowania adaptacyjnego, które obsługuje kolejki z podwójnym priorytetem poprzez ważony system round robin. Regulator neuro-fuzzy zawsze ocenia zajętość bufora, jakość łącza, wykorzystanie kanałów, energię resztkową oraz priorytet ruchu. Przyjmując te wejścia, reguluje głębokość agregacji, wagi kolejek oraz decyzje transmisyjne za pomocą wnioskowania rozmytego i uczenia neuroadaptacyjnego. Zadania pomiaru wydajności obejmują obliczanie wskaźnika dostarczania pakietów, opóźnień end-to-end, przepustowości, zużycia energii na poziomie węzła oraz żywotności sieci. Analizy statystyczne są przeprowadzane w wielu okresach, aby sprawdzić wiarygodność wyników. Podejście to wykazuje lepszą wydajność w symulacji w porównaniu do schematów bazowych. Protokół ten oferuje powtarzalne ramy do eksplorowania hybrydowych metod kontroli przeciążenia, które umożliwiają energooszczędną, skalowalną i świadomą QoS pracę w środowiskach WSN z IoT.

Wprowadzenie

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

Ogromny rozwój Internetu Rzeczy (IoT) wymusił wdrożenie miliardów połączonych urządzeń, z których bezprzewodowe sieci sensorów (WSN) są wykorzystywane do monitorowania i wsparcia decyzyjnego w czasie rzeczywistym, w większości przypadków 1,2. Sieci te stają się podstawowymi strukturami systemów z obsługą IoT w zupełnie innych dziedzinach, takich jak monitoring opieki zdrowotnej3, inteligentne miasta4, rolnictwo precyzyjne5, automatyzacja przemysłowa6 oraz detekcja środowiskowa7. WSN składają się z węzłów sensorów o ograniczonych zasobach, takich jak przepustowość, energia i moc obliczeniowa. Ograniczenia pogłębiają problem, ponieważ ruch IoT jest również bardzo dynamiczny i dynamiczny, dlatego wspomniane sieci są bardzo podatne na przeciążenie8.

Protokół ten jest szczególnie istotny dla średnioskalowych i dużych wdrożeń IoT (150-750 węzłów), które generują mieszany ruch okresowy i gwałtowny przy ścisłych ograniczeniach energetycznych. Takie sytuacje często występują w monitoringu opieki zdrowotnej, inteligentnych miastach oraz systemach automatyzacji przemysłowej, gdzie nadal konieczne jest zapewnienie niezawodnej dostawy i komunikacji o niskim opóźnieniu mimo ograniczonych zasobów węzłów9.

Przeciążenie w WSN może poważnie ograniczyć wydajność sieci z różnych powodów, takich jak utraty pakietów, zwiększone opóźnienia w kolejkach, obniżona przepustowość oraz przyspieszone wyczerpanie energii 8,10. W krytycznych scenariuszach IoT, np. telemedycynie lub pomocy w katastrofach, opóźnienia spowodowane przeciążeniem lub utrata pakietów mogą mieć śmiertelne konsekwencje11,12. Obecne metody kontroli przeciążenia dzielą się trzy główne kategorie: schematy oparte na ruchu (ograniczenie prędkości źródła, kontrola ciśnienia zwrotnego)13,14, schematy oparte na agregacji (połączenie danych w sieci)15,16 oraz schematy oparte na harmonogramie (kolejkowa, alokacja kanałów)9,17. Dzięki temu te techniki osiągają pewien poziom sukcesu, ale mają też wady, gdy są stosowane samodzielnie. Na przykład metody oparte na ruchu często pogarszają wydajność aplikacji z powodu nieselektywnego obniżenia liczby źródeł. Metody oparte na agregacji eliminują redundancję, ale dodają opóźnienia do przepływów krytycznych w czasie. Chociaż strategie oparte na harmonogramie mogą zwiększyć poziom sprawiedliwości, nie mogą skutecznie funkcjonować bez obecności innych obciążeń o dużym natężeniu ruchu6.

W porównaniu ze schematami opartymi wyłącznie na ruchu, agregacji i harmonogramie, hybrydowa kontrola neuro-rozmyta zapewnia bardziej zrównoważony kompromis między niezawodnością dostarczania pakietów, opóźnieniami i zużyciem energii. Poprzez wspólne regulowanie głębokości agregacji i priorytetów harmonogramowania na podstawie stanu sieci w czasie rzeczywistym, proponowane podejście skuteczniej ogranicza przeciążenie przy ciężkich i heterogenicznych obciążeniach IoT18.

Motywacja badawcza
Bezprzewodowe sieci sensorów z IoT generują zróżnicowany i często gwałtowny ruch, co sprawia, że są podatne na przeciążenia, przepełnienie kolejek i nadmierne retransmisje. Istniejące schematy oparte na ruchu, wyłącznie agregacji lub tylko harmonogramowe nie osiągają zrównoważonego kompromisu między dostarczaniem pakietów, opóźnieniami i zużyciem energii w warunkach dynamicznego obciążenia19,20. Motywowane tymi ograniczeniami, badanie wprowadza hybrydowy protokół kontroli przeciążenia, który łączy adaptacyjne agregowanie, planowanie świadome QoS oraz neuro-fuzzy podejmowanie decyzji, zapewniając niezawodne, opóźnione i energooszczędne działanie w gęstych środowiskach IoT-WSN.

Najnowsze badania podkreśliły potencjał mechanizmów hybrydowych, które łączą agregację i harmonogramowanie w celu zrównoważenia przepustowości, opóźnień i efektywności energetycznej21,22. Metody adaptacyjne wykorzystujące logikę rozmytową, uczenie ze wzmocnieniem lub wnioskowanie neuro-rozmyte dodatkowo zwiększają responsywność na dynamiczne stany sieciowe 23,24,25,26. Większość obecnych metod jednak opiera się na statycznych progach, zwiększa narzut obliczeniowy nieodpowiedni dla węzłów o ograniczonych zasobach oraz nie jest odporny przy heterogenicznych obciążeniach IoT27,28. Dlatego zapotrzebowanie na inteligentne mechanizmy kontroli przeciążenia, które są lekkie, adaptacyjne i zdolne reagować na zmiany ruchu, jednocześnie wydłużać żywotność sieci, jest nadal bardzo wysokie.

Przeprowadzono różne badania mające na celu wykształcenie niezawodności, usprawnienia jakości życia oraz bezpiecznej obsługi danych w systemach WSN z obsługą IoT. Schematy wykrywania i odzyskiwania awarii uwzględniające energię29,30 wykazały wzrost odporności i wydajności end-to-end w zmieniających się środowiskach31. Lekkie protokoły blockchain mogą być wykorzystywane do dalszego zabezpieczenia komunikacji danych w aplikacjach IoT-WSN. Implementacja hierarchicznych metod wykrywania błędów opartych na regułach również pomaga utrzymać QoS przy wdrożeniu czujników ograniczonych zasobami. Te ulepszenia wskazują na zapotrzebowanie na rozwiązania do kontroli przeciążenia, które można zintegrować z niezawodnością, bezpieczeństwem i efektywnym wykorzystaniem zasobów w nowoczesnych systemach IoT.

Chociaż techniki kontroli zatłoczenia dla WSN są szeroko badane, istniejące rozwiązania uwzględniają głównie mechanizmy jednowarstwowe – taką jak dostosowanie prędkości, agregacja lub harmonogramowanie15. Protokół ten posiada jednak wielowarstwowy mechanizm adaptacyjny, w którym hybrydowa agregacja, planowanie uwzględniające priorytety oraz neuro-fuzzyjne podejmowanie decyzji wzajemnie się nieustannie aktualizują. W przeciwieństwie do standardowych metod opartych wyłącznie na rozmytym, NFDE stosuje neuroadaptacyjne dostrajanie sterowane przez ANFIS, co pozwala na bieżące zmiany funkcji członkostwa i parametrów reguł w zależności od rzeczywistych wzorców ruchu. Proponowany protokół znacznie różni się od pozostałych modeli dzięki zintegrowanej koordynacji międzywarstwowej oraz lekkiej konstrukcji odpowiedniej dla sprzętu IoT.

Przed publikacją opublikowano szereg badań nad zatłoczeniem w WSN, o czym świadczy liczne badania raportujące setki algorytmów zajmujących się przeciążeniem na poziomach łącza, przepełnienia bufora lub średniej konfrontacji. Większość rozwiązań została zaprojektowana tak, by rozwiązać te problemy na jednej warstwie protokołu, podczas gdy kwestia wielowarstwowej adaptacyjnej kontroli przeciążenia została prawie nie rozwiązana 9,21. Niniejsze badania wypełniają tę lukę, łącząc adaptację międzywarstwową z lekkim modułem neuro-fuzzy dla sprzętu klasy IoT.

Biorąc pod uwagę te problemy, badania zaproponowały inteligentny mechanizm kontroli przeciążenia, który potrafi integrować hybrydowe techniki agregacji i harmonogramowania z neuro-fuzzy silnikiem decyzyjnym dla WSN gotowych do IoT. Komponent agregacji ogranicza redundantne transmisje poprzez wykorzystanie zarówno okien czasowych, jak i liczenia pakietów. Komponent harmonogramowania gwarantuje sprawiedliwość i zgodność z QoS poprzez ważony system round robin w dwóch kolejkach dla przepływów krytycznych i niekrytycznych. Silnik neuro-fuzzy śledzi główne zmienne stanu sieci, wspólnie buforując zajętość, wykorzystanie kanałów, energię resztkową, jakość łącza oraz priorytet ruchu. Stosując rozmyte reguły wnioskowania, które są wzbogacone o uczenie neuroadaptacyjne, kontroler zmienia głębokość agregacji, wagi planowania oraz szybkość transmisji. Taki system zamkniętej pętli umożliwia protokół na wystarczającą elastyczność w sytuacjach przeciążenia w czasie rzeczywistym.

Ustawiliśmy kluczowe pytania badawcze, które pomogły nam określić zakres i znaczenie badania, aby móc je jasno przedstawić. Pytania badawcze, które kierowały badaniami, są następujące:
RQ1: Jak hybrydowa agregacja i harmonogramowanie mogą skuteczniej zmniejszyć zatłoczenie w WSN z obsługą IoT niż w przypadku samodzielnych metod?
RQ2: Jaką rolę odgrywa neuro-fuzzy decision engine w adaptacji do stanów sieci przy zmiennym obciążeniu ruchu?
RQ3: W jaki sposób proponowany protokół poprawia współczynnik dostarczania pakietów, opóźnienia, przepustowość oraz efektywność energetyczną w porównaniu z konwencjonalnymi schematami kontroli przeciążenia?
RQ4: Czy proponowany protokół może wydłużyć żywotność sieci przy jednoczesnym zachowaniu jakości jakości w różnych aplikacjach IoT?

Wkład tego badania jest czterokrotny. Głównym argumentem jest hybrydowa rama agregacji i harmonogramowania z neuro-fuzzy adaptacją do kontroli przeciążenia w WSN z IoT. Drugim aspektem jest implementacja powtarzalnego frameworka symulacyjnego, który testuje wydajność przy różnych rozmiarach sieci i natężeniu ruchu. Po trzecie, pokazuje mierzalne postępy w dostarczaniu pakietów, opóźnieniach, przepustowości, efektywności energetycznej i czasie życia w porównaniu do wartości bazowych. Ostatecznie oferuje dane, pliki konfiguracyjne i skrypty analityczne dla otwartości i powtarzalności.

Różne metody kontroli przeciążenia, w tym tylko rozmyte, tylko agregacyjne, tylko planowane oraz DRL, mają swoje ograniczenia, które proponowana praca rozwiązuje poprzez zastosowanie wielowarstwowej adaptacyjnej agregacji hybrydowej, adaptacyjnego harmonogramowania z dwoma kolejkami oraz neuro-fuzzy decision engine, wszystko zintegrowane w jednym, lekkim i przyjaznym dla sprzętowi frameworku. W przeciwieństwie do metod opartych na DRL, które są kosztowne obliczeniowo i wymagają długiego czasu na zbieg, proponowana warstwa neuro-fuzzy może wykonywać operacje niemal w czasie rzeczywistym, przy znacznie mniejszym zużyciu energii i zużyciu CPU; dlatego jest idealny dla węzłów czujników klasy IoT. Różne metody kontroli zatorów zostały porównane w Tabeli 1 wraz z proponowaną metodą.

Tabela 1: Porównanie istniejących metod kontroli zatłoczenia i proponowanej metody. Ta tabela przedstawia najważniejsze cechy, zalety i ograniczenia różnych kategorii metod kontroli przeciążenia w bezprzewodowych sieciach sensorów, takich jak podejścia oparte tylko na rozmytym, tylko agregacji, tylko harmonogramowaniu oraz DRL. Wskazuje na wyjątkowość proponowanej metody w połączeniu agregacji hybrydowej, adaptacyjnego planowania priorytetów oraz lekkiego neuro-fuzzy silnika decyzyjnego, oferując wielowarstwową adaptację przy niskich kosztach obliczeniowych. Porównanie między nimi pokazuje, że wprowadzony protokół jest w stanie osiągnąć lepsze PDR, niższe opóźnienia, zrównoważoną przepustowość i zwiększoną efektywność energetyczną, a jednocześnie być kompatybilny z urządzeniami IoT-WSN o ograniczonych zasobach. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Powiązane dzieła
Najnowsze badania nad kontrolą przeciążenia w bezprzewodowych sieciach sensorów (WSN) z IoT pokazują, że techniki jednowarstwowe — czysta agregacja, ograniczanie ruchu lub harmonogramowanie — są niewystarczające przy heterogenicznym i gwałtownym obciążeniu ruchu, które powoduje przelew buforów, kolizje i poważne marnotrawstwo energii¹-⁵. Hybrydowe schematy harmonogramowania agregacji zyskały więc na znaczeniu w jednoczesnym ograniczaniu redundantnych transmisji i regulowaniu rywalizacji, gdy gęstość węzłów skalujesię 6,7,8,10. Warianty międzywarstwowe integrują routing, klastry i harmonogramowanie na poziomie MAC, aby ustabilizować przepływy konwergecast i mieszane obciążenia QoS 11,12,13, podczas gdy wyzwalacze rozmyte lub heurystyczne dostosowują głębokość agregacji i dyscyplinę usług na podstawie lokalnych sygnałów przeciążenia 14,15,16. Techniki soft-computing dodatkowo poprawiają responsywność: kontrolery rozmyte wywnioskują stany kolejek na podstawie zajętości bufora, jakości łącza i retransmisji 9,17,21; Systemy neuro-fuzzy wzmacniają to, ucząc się wag reguł dla optymalizacji wielocelowej w stosunku do stosunku danych pakietów (PDR), opóźnienia, przepustowości oraz zużycia energii 22,23,24. Tymczasem podejścia głębokiego uczenia ze wzmocnieniem (DRL/RL) zarządzają kontrolą szybkości, buforowaniem i harmonogramowaniem 25,26,27,28, a frameworki oparte na generatywie/optymalizacji przekształcają klastry i trasy pod wpływem stresu, jednocześnie dostosowując lokalne zachowanie ruchu²9. W tych różnorodnych podejściach inteligentne hybrydy konsekwentnie przewyższają metody statyczne, ograniczając przelewanie się kolejek, stabilizując okna rywalizacji, zmniejszając opóźnienia oraz poprawiając przepustowość i efektywność energetyczną w różnych warunkach ruchu 8,9,12,24,25,26,27,28,29 ,30,32,33,34.

Równoległa linia działań koncentruje się na zwiększaniu żywotności sieci i QoS poprzez dostosowywanie parametrów kontroli przeciążenia do poziomu energii, warunków łącza oraz priorytetów aplikacji. Badania pokazują, że agregowanie skorelowanych pakietów zmniejsza liczbę transmisji, podczas gdy adaptacyjne planowanie minimalizuje konflikty, bezczynne słuchanie i burze kolizyjne 14,17,18,27,30,32,33,34,35,36. Mechanizmy oparte na priorytetach chronią pilny ruch opieki zdrowotnej lub przemysłowej, jednocześnie regulując niekrytyczną telemetrię 18,32,33,35 oraz rozmyte/neuro-nieprecyzyjne trasowanie, klastrysowanie i kontrolę szybkości dodatkowo płynnie wygładzają oscylacje w scenariuszach o dużym obciążeniu33,18. Dodatkowe postępy, takie jak optymalizacja oparta na AI dla routing37, clustering38 oraz długoterminowe mapowanie z uwzględnieniem przeciążenia39, a także inteligentne wykrywanie błędów40, bezpieczna komunikacja31 z obsługą blockchain oraz odzyskiwanie energii uwzględniające energię⁴1, podkreślają rosnący trend w kierunku zintegrowanych i świadomych kontekstu rozwiązań do przeciążenia. Pomimo tych postępów, większość istniejących podejść wciąż nie posiada zintegrowanego, lekkiego ram czasu rzeczywistego zdolnych do wspólnej koordynacji agregacji, harmonogramowania i inteligentnej adaptacji w różnych obciążeniach IoT. Ta luka motywuje rozwój inteligentnego, hybrydowego systemu kontroli przeciążenia, który wykorzystuje neuro-fuzzy podejmowanie decyzji dla skalowalnych, świadomych QoS i energooszczędnych osiągów we współczesnych środowiskach WSN z IoT.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

1. Konfiguracja środowiska symulacyjnego

  1. Zainstaluj Ubuntu 22.04 LTS na stacji roboczej z co najmniej procesorem Intel i5, 8 GB RAM i 20 GB pamięci. Konfiguruj kompilator GNU C/C++ oraz biblioteki Tcl/Tk do kompilacji i uruchomienia NS-2.35.
  2. Zainstaluj Python 3.10 wraz z NumPy, SciPy, Pandas i Matplotlib do analizy i wykresów. Włącz moduły NS-2 do monitorowania energii i kolejek do rejestrowania zdarzeń enqueue, dequeue, drop, delivery oraz zużycia energii.
  3. Wykonaj każdy eksperyment 5 razy, używając niezależnych losowych ziaren, aby zapewnić powtarzalność.
  4. Zorganizuj katalog symulacji w podfoldery na konfiguracje, skrypty, wyniki i analizę oraz utrzymuj logi Markdown, aby zapisywać konfiguracje i wyniki.
    UWAGA: Wszystkie pliki konfiguracyjne TCL, skrypty implementacyjne NFDE oraz narzędzia analityczne używane w procesie symulacji są dostępne w Pliku Uzupełniającym 1.

2. Topologia sieci i generowanie ruchu

  1. Generuj topologie bezprzewodowych sieci sensorów z 150, 300, 450, 600 i 750 węzłami rozmieszczonymi równomiernie w obszarze wdrożenia 600 x 600 m².
  2. Inicjalizuj każdy węzeł z 25 J energii, zasięgiem transmisji 75 m i pasmem 250 kbps, aby reprezentować urządzenia klasy IoT.
  3. Umieść węzeł sink albo w centrum, albo na granicy sieci, aby stworzyć heterogeniczne ścieżki trasowania.
  4. Wprowadź modele ruchu obejmujące okresowe przepływy o stałej przepływności bitowej o prędkości 1 pakiet/s oraz impulsy sterowane zdarzeniami o prędkości 5-10 pakietów/s trwające 20-30 sekund.
  5. Połącz ruch tła i wysokiego priorytetu, aby przetestować zdolność protokołu do rozróżniania i priorytetyzowania przepływów. Podsumowane parametry symulacji przedstawiono w Tabeli 2.
  6. Parametry konfiguracji symulacji NS-2
    1. Protokół routingu: Stosuj doraźne trasowanie On-Demand Distance Vector (AODV) dla wszystkich symulacji. Ustaw następujące kluczowe parametry: Halo, interwał: 1 s, Active route timeout: 3 s, TTL start/max: 2 / 7 skoków.
      UWAGA: AODV został wybrany ze względu na lekki narzut pakietów sterujących oraz przydatność do dynamicznych topologii IoT/WSN.
    2. Konfiguracja MAC: Użyj protokołu MAC IEEE 802.11 DCF (Distributed Coordination Function). Ustaw następujące ważne parametry: Podstawowa szybkość: 1 Mbps, Szybkość transmisji: 250 kbps (szybkość transmisji WSN), RTS/CTS: wyłączone (zgodnie z typowymi instalacjami WSN o niskim poborze mocy), CWmin = 31, CWmax = 1023, Czas slotu = 20 μs, SIFS = 10 μs, DIFS = 50 μs.
    3. Konfiguracja kolejki: Ustaw typ kolejki jako PriQueue, aby obsługiwać planowanie podwójnego priorytetu, długość kolejki (długość IFQ) do 50 pakietów. Ustaw mapowanie kolejki jako ruch o wysokim priorytecie na Kolejkę 1, a normalny ruch na Kolejkę 2. Ustaw zachowanie kolejki na DropTail używany do obsługi przelewów.
    4. Model propagacji: Wybierz TwoRayGround dla typowych środowisk zewnętrznych IoT/WSN, gdzie straty ścieżek wzrastają wraz z odległością. Ustaw parametry modelu do porównania z wysokością anteny: 1,5 m, współczynnikiem strat systemu: 1,0, minimalnym progiem mocy odbiornej: −95 dBm.
    5. Modele interfejsu i anteny: Ustaw typ interfejsu bezprzewodowego jako Phy/WirelessPhy. Ustaw następującą konfigurację interfejsu sieciowego: Typ kolejki interfejsu: Queue/DropTail/PriQueue, interfejs sieciowy: CMUPriQueue dla usługi priorytetowej. Ustaw model anteny jako Antenna/OmniAntenna, ponieważ odzwierciedla typowe cząstki sensora (MicaZ, TelosB itd.).
    6. Długość IFQ i rozmiar pakietów: Ustaw długość kolejki interfejsu (IFQLength) na 50 pakietów, aby zapewnić przeciążenie przy realistycznych szczytach ruchu. Ustaw następujące parametry rozmiaru pakietu: Domyślny pakiet CBR: 512 bajtów, nagłówek MAC: ~36 bajtów, pakiet sterujący AODV: ~32 bajty. Ustaw próg fragmentacji na Brak (fragmentacja wyłączona).
    7. Ustawienia kanału: Ustaw typ kanału na Channel/WirelessChannel, częstotliwość na pasmo ISM 2,4 GHz (typowa częstotliwość IoT), szerokość pasma na 250 kbps, a duplexing na półdupleks. Ustaw parametry warstwy łącza: energia początkowa: 25 J, moc transmisji: 0,66 W, moc odbioru: 0,395 W, moc bezczynna: 0,035 W oraz moc uśpienia: 0,003 W. Ustaw poziom szumu na −100 dBm, a próg wykrywania nośnego (CST) na −94 dBm.

Tabela 2: Parametry symulacji NS-2.35 używane do oceny proponowanego protokołu kontroli przeciążenia. Ta tabela zawiera wszystkie konfiguracje symulacji w NS-2.35, takie jak rozmiar obszaru wdrożenia, gęstość węzłów, parametry energetyczne, konfiguracje MAC i routingu, struktura kolejek, model propagacji, rozmiar pakietu oraz progi kontroli. Parametry te gwarantują pełną powtarzalność środowiska eksperymentalnego do porównania wydajności hybrydowych, wyłącznie agregacyjnych, harmonogramowych oraz bazowych schematów kontroli przeciążenia. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

3. Architektura metodologii

  1. Projektuj proponowany protokół poprzez integrację agregacji hybrydowej, adaptacyjnego harmonogramowania oraz neuro-fuzzy decision engine.
  2. Wdroż agregację hybrydową, aby łączyć pakiety w oknach czasowych lub liczonych pakietów, zachowując jednocześnie tagi priorytetowe dla ruchu krytycznego.
  3. Stosuj adaptacyjne planowanie do zarządzania dwoma kolejkami – jedną dla krytycznych i jedną dla przepływów niekrytycznych – oraz stosuj ważone harmonogramowanie round robin z dynamicznie regulowanymi wagami kolejek.
  4. Wykorzystaj neuro-fuzzy engine decyzyjne do monitorowania zajętości bufora, wykorzystania kanałów, energii resztkowej, jakości łącza oraz priorytetu ruchu.
  5. Odwzoruj te dane na rozmyte funkcje członkowstwa, stosuj reguły wnioskowania w celu optymalizacji głębokości agregacji i wag harmonogramowania oraz dostosowuj decyzje systemowe poprzez uczenie się neuroadaptacyjne.
    1. Struktura modelu NFDE: Implementacja Neuro-Fuzzy Decision Engine (NFDE) jako pierwszego rzędu Adaptive Neuro-Fuzzy Inference System (ANFIS) Sugeno z pięcioma zmiennymi wejściowymi i trzema parametrami sterującymi wyjściowym. System wykorzystuje architekturę pięciowarstwową
      Warstwa 1 - Rozmycie wejściowe: Przekształca ostre wartości sensora na stopnie członkowości.
      Warstwa 2 - Siła wypalania reguł: oblicza siłę wystrzału reguł za pomocą wnioskowania iloczynowego.
      Warstwa 3 - Normalizacja: Normalizuje siłę wystrzału.
      Warstwa 4 - Liniowe wyrazy wyjściowe: Generuje ważone liniowe wyjścia.
      Warstwa 5 - Agregacja wyników: Łączy wyniki, aby uzyskać głębokość agregacji, wagę harmonogramu oraz korekty szybkości transmisji.
      Każda reguła ma formę: Jeśli (B to X1) i (C to X2) oraz (E to X3) oraz (LQI to X4) oraz (P to X5) → f = p1·B + p2·C + p3·E + p4·LQI + p5·P + p0.
      Model zawiera 15-25 reguł w zależności od ograniczeń złożoności.
    2. Zmienne wejściowe i wyjściowe
      1. Ustaw 5 zmiennych wejściowych, mianowicie b obsadzenie uffera (B) - stosunek bieżącej długości kolejki do długości IFQ (0-1), wykorzystanie c hannel (C) - ułamek czasu zajętości MAC (0-1), r energii rezdualnej (E) - pozostała część energii (0-1), wskaźnik jakości atramentu l (LQI) - znormalizowane prawdopodobieństwo sukcesu łącza (0-1) oraz t priorytetu raffic (P) z 1,0 jako krytycznym i 0,0 jako niekrytycznym.
      2. Ustaw 3 zmienne wyjściowe, mianowicie: głębokość agregacji (A*) – zalecaną liczbę pakietów do agregacji (zakres 1-6), wagę chedulingu s (W*) – wagę przypisaną kolejce o wysokim priorytecie (0,3-0,8), korektę r ate (R*) – skalowanie szybkości transmisji (−20% do +10%).
    3. Wszystkie wejścia wykorzystują trójkątne lub trapezowe funkcje przynależności zdefiniowane w zakresie 0 - 1. Ustaw funkcje m embership jak poniżej z zakresami liczbowymi.
      Zajęcie bufora (B) - Niskie: trapmf (0,0, 0,0, 0,20, 0,40), Średnie: trimf (0,30, 0,50, 0,70), Wysokie: trapmf (0,60, 0,80, 1,0, 1,0)
      Wykorzystanie kanałów (C) - Niskie: przystrój (0,0, 0,15, 0,30), Średni: przystrój (0,25, 0,50, 0,75), Wysoki: przystrój (0,70, 0,85, 1,0)
      Energia resztkowa (E) - Wysoki: trapmf (0,70, 0,80, 1,0, 1,0), Średnia: trimf (0,40, 0,55, 0,70), Niska: trapmf (0,0, 0,0, 0,30, 0,50)
      Wskaźnik jakości łącza (LQI) - Dobre: trapmf (0,70, 0,80, 1,0, 1,0), Umiarkowane: trimf (0,40, 0,55, 0,70), Słabe: trapmf (0,0, 0,0, 0,30, 0,45)
      Priorytet ruchu (P) - Niekrytyczny: trimf (0.0, 0.0, 0.1), Krytyczny: trimf (0.9, 1.0, 1.0)
      Funkcje przynależności wyjściowej – Ponieważ Sugeno ANFIS używa ostrych liniowych wyjść:
      A* (głębokość agregacji) = a1·inputs + a0, przycięte do [1,6], W* (waga priorytetu) = w1·inputs + w0, przycięte do [0.3,0.8], R* (współczynnik szybkości) = r1·inputs + r0, przycięte do [−0.20, +0.10]
    4. Formułowanie bazy reguł: Kompletna baza reguł zazwyczaj obejmuje 15-25 reguł, w zależności od limitów obliczeniowych. Ustaw typowy podzbiór reguł jako
      Jeśli B = wysoki A C = wysoki → zmniejszyć A*, zwiększyć W*, zmniejszyć R*
      Jeśli B = średni AND E = wysoki AND P = krytyczny → umiarkowany A*, zwiększ W*
      Jeśli LQI = słaby → zwiększyć A* (aby zmniejszyć liczbę retransmisji)
      Jeśli E = niskie → zmniejsza R*, zmniejsza A* (oszczędzanie energii)
      Jeśli C = niskie AND P = krytyczne → ustaw W* wysokie
      Jeśli B = wysoki A LQI = dobry → zredukować A*, zwiększ R*
      UWAGA: Odrębność neuro-fuzzy systemu reguł. System reguł rozmytych różni się od konwencjonalnych schematów kontroli przeciążenia na dwa sposoby:
      Sprzężenie wielowejściowe: Wspólnie uwzględnia obsadzenie kolejki, wykorzystanie kanałów, głębokość agregacji oraz metryki priorytetu pakietów, rzadko łączone w istniejących rozmytych kontrolerach WSN.
      Neuroadaptacyjne strojenie reguł: Początkowe reguły są definiowane przez ekspertów, ale następnie optymalizowane za pomocą uczenia ANFIS, aktualizując siłę reguł i parametry wyjściowe, aby dopasowały się do rzeczywistych warunków sieciowych. Stosowane zasady reprezentatywne obejmują:
      JEŚLI obsadzenie kolejek jest wysokie, a wykorzystanie kanałów wysokie, TO zmniejsz szybkość transmisji i zwiększej głębokość agregacji.
      JEŚLI obsadzenie kolejki jest średnie, a priorytet wysoki, TO zwiększ wagę harmonogramu.
      Jeśli energia resztkowa jest niska, TO ogranicz retransmisje i zmniejsz ciśnienie w kolejce.
      Te dynamiczne regulacje umożliwiają bardziej responsywne ograniczanie przeciążenia w porównaniu ze statycznymi, rozmytymi systemami.
    5. Definiuj i dostosowuj funkcje członkostwa oraz reguły. Po pierwsze, ustalenie funkcji przynależności rozmytej na podstawie empirycznych zakresów symulowanych trendów NS-2, które zostały przeprowadzone jako badanie wstępne. Do tych trendów należą obsadzenie buforów, wykorzystanie kanałów, energia resztkowa oraz rozkłady LQI. Następnie dostosowujemy te funkcje przynależności za pomocą procedury treningowej ANFIS, gdzie gradient descent służy do optymalizacji zarówno granic MF, jak i parametrów wyjściowych Sugeno. Utwórz początkową bazę rozmytych reguł z heurystyk wyprowadzonych przez ekspertów. Następnie trenuj system neuroadaptacyjny, aż wagi i parametry reguł zostaną zaktualizowane dzięki reprezentatywnym wzorcom ruchu, co pozwoli na ich dostrajanie.
    6. Oceń obciążenie obliczeniowe NFDE, aby określić, czy nadaje się ono do węzłów sensorów klasy IoT. Śledz czas wnioskowania, który zwykle wynosi około 1,2-1,8 ms na mikrokontrolerze Cortex-M4 pracującym z częstotliwością 72 MHz. Upewnij się, że zużycie pamięci dla wszystkich funkcji członkowskich i parametrów reguł nie przekracza 40 KB. Wszystkie treningi ANFIS wykonuj offline, a nie na węzłach sensorów. Aby zachować elastyczność w czasie rzeczywistym przy bardzo niskim obciążeniu obliczeniowym, podczas wdrożenia należy używać wyłącznie lekkiej części wnioskowania.
    7. Procedura treningowa: Trenuj NFDE offline za pomocą hybrydowego algorytmu ANFIS
      Przejście do przodu (Estymacja najmniejszych kwadratów): Określa parametry liniowe reguł Sugeno.
      Przejście wsteczne (Gradient Descent): Aktualizuje nieliniowe parametry MF.
      1. Ustaw parametry treningowe jako rozmiar zbioru danych treningowych: 15 000 próbek generowanych z symulowanych stanów ruchu, Epoki: 50, Wskaźnik uczenia (α): 0,01, Tolerancja błędów: 1 x 10⁻⁴, Wczesne zatrzymywanie się: 3 kolejne epoki bez poprawy, Cel optymalizacji: minimalizacja RMSE pomiędzy wynikiem NFDE a profilami kontroli opartą na faktach gruntowych.
  6. Zatłoczenie ujawniają zarówno wskaźniki poziomu stanu, jak i podwarunkowego. Rozróżnić przeciążenie na poziomie węzłów, analizując poziomy zajętości kolejki, tempo wzrostu kolejki oraz zdarzenia zrzucenia pakietów, gdy IFQ zbliża się do limitu przepustowości. Wnioskuj o zatorzeniu na poziomie kanału na podstawie długotrwałego wzrostu czasu zajętości MAC, długich odstępów przerw oraz rosnącego prawdopodobieństwa kolizji. Sygnały te są stale dostarczane do Neuro-Fuzzy Decision Engine, który określa nasilenie zatorów i wydaje autonomiczne środki kontrolne.
  7. Po wykryciu przeciążenia NFDE rozszerza agregację, aby zmniejszyć liczbę transmisji pakietów, przekształca wagi planowania pod kątem krytyczności ruchu oraz obniża szybkość transmisji, aby znormalizować kolejkę. Zachowaj mechanizm detekcji oddzielnie od warstwy aplikacji, dzięki czemu obsługa przeciążenia jest zachowana nawet w przypadku innego typu.
  8. Aktualizuj parametry co 1-2 sekundy, aby zapewnić niemal real-time responsywność. Użyj Tabeli 3, aby odwołać się do parametrów funkcji przynależności, zakresów wyjściowych oraz reprezentatywnych reguł rozmytych stosowanych w Neuro-Fuzzy Decision Engine. Sprawdź podane numeryczne wartości MF, granice wyjściowe Sugeno oraz przykładowe reguły decyzyjne, aby dokładnie odtworzyć zachowanie inferencyjne i adaptacyjne sterownika.
  9. Przeprowadz analizę w czterech głównych etapach:
    Konfiguracja: Przygotuj NS-2.35, narzędzia analityczne w Pythonie oraz generuj topologie sieci i wzorce ruchu.
    Strojenie parametrów: Konfiguruj głębokość agregacji, wagi harmonogramu, parametry kolejki interfejsu oraz funkcje członkostwa i ustawienia uczenia się NFDE.
    Wykonanie symulacji: Uruchom wszystkie scenariusze obejmujące gęstość i obciążenia ruchu w wielu węzłach, zbieraj pełne pliki śledzenia NS-2 oraz rejestruj zdarzenia klucza, w tym enqueue, dequeue, drop (odrzucenie), dostawę i stany energetyczne.
    Analiza: Wyodrębnij wskaźniki PDR, opóźnienia, przepustowości, energii i czasu życia za pomocą skryptów Pythona oraz oblicz istotność statystyczną na różnych bazach.
    UWAGA: Ten workflow zapewnia jasną, powtarzalną sekwencję od konfiguracji do analizy i jest zilustrowany na Rysunku 1.

Tabela 3: Funkcje przynależności rozmyte, zakresy wyjściowe i reprezentatywne reguły stosowane w neuro-fuzzy decision engine. Pięć zmiennych wejściowych posiada funkcje przynależności trójkątnej i trapezowej, a tabela zawiera dokładne parametry numeryczne dla nich. Tabela pokazuje również zasięgi operacyjne dla wybojów typu Sugeno. Reprezentatywne reguły rozmyte pokazują, jak system interpretuje warunki sieciowe, aby dostosować głębokość agregacji, wagę harmonogramowania kolejek oraz skalowanie szybkości transmisji. Do parametrów powtarzalności należą liczba MF, rozmiar zestawu reguł, tempo uczenia oraz interwał aktualizacji, które umożliwiają bezpośrednią replikację NFDE. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Rysunek 1
Rysunek 1: Architektura inteligentnego protokołu kontroli przeciążenia dla bezprzewodowych sieci sensorów z IoT. Kompleksowy, zintegrowany przepływ pracy hybrydowej polityki kontroli przeciążeń przedstawiony jest na tym diagramie. Pomiary stanu sieci – obsadzenie bufora, wykorzystanie kanałów, energia resztkowa, jakość łącza oraz priorytet ruchu – są przekazywane do warstwy funkcji członkostwa oraz do Neuro-Fuzzy Decision Engine, który generuje adaptacyjne zmienne kontrolne, takie jak głębokość agregacji, waga harmonogramu oraz dostosowanie szybkości transmisji. Te zmienne kontrolują moduł agregacji hybrydowej oraz moduł adaptacyjnego planowania, umożliwiając tym samym wspólne optymalizację metryk ruchu o wyższym współczynniku dostarczania pakietów, niższym opóźnieniu, mniejszym zużyciu energii i wydłużonym czasie użytkowania sieci. Skróty: NF = Neuro-Fuzzy, PDR = wskaźnik dostarczania pakietów, WRR = ważony round robin, WSN = bezprzewodowa sieć sensorów, IoT = Internet rzeczy, AQM = aktywne zarządzanie kolejką (jeśli dotyczy), RSSI = wskaźnik siły odbioru sygnału (jeśli dotyczy). Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

4. Szczegóły zbioru danych

UWAGA: Zbiór danych symulacyjny użyty w tym badaniu został wygenerowany wewnętrznie w środowisku NS-2.35 i nie jest deponowany w publicznym repozytorium ze względu na ograniczenia dotyczące rozmiaru plików. Jednak wszystkie pliki konfiguracyjne, skrypty TCL, kod NFDE oraz skrypty analityczne Pythona potrzebne do odtworzenia zbioru danych są publicznie dostępne w następującym repozytorium GitHub: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. Badacze mogą odtworzyć cały zbiór danych, wykonując dostarczone pliki konfiguracyjne i skrypty. Dodatkowe pliki danych mogą być udostępnione przez autorów na uzasadnione żądanie.

  1. Przygotuj zbiór danych, generując pliki konfiguracyjne, losowe listy seedów, surowe pliki śledzenia NS-2, przetworzone wyniki CSV oraz skrypty Pythona do parsowania i wizualizacji śladów.
  2. Wyjaśnienie źródła zbioru danych:
    1. Wygeneruj cały zbiór danych za pomocą platformy symulacyjnej NS-2.35, zamiast pobierać go z zewnętrznych lub publicznych repozytoriów.
    2. Konfiguruj NS-2.35 tak, aby generował surowe pliki śledzenia dla każdego uruchomienia symulacji, w tym enqueue, dequeue, drop, delivery, MAC events oraz dzienniki energetyczne na poziomie węzłów.
    3. Tworz wszystkie topologie, wzorce ruchu i ustawienia parametrów programowo jako część procesu symulacji. Upewnij się, że każdy scenariusz generuje około 20 MB surowych danych śladowych i przechowuje wszystkie wyniki eksperymentalne w katalogu projektu.
    4. Przetwarzaj te pliki śledzenia za pomocą skryptów Pythona, aby wyodrębnić wskaźnik dostarczania pakietów, opóźnienia, przepustowość, zużycie energii oraz metryki żywotności sieci.
    5. W badaniu nie wykorzystuje się żadnych zewnętrznych zbiorów danych ani zewnętrznych zbiorów danych.
  3. Omówi 75 scenariuszy obejmujących gęstość węzłów, natężenie ruchu i losowe seedy.
  4. Spodziewaj się około 20 MB surowych danych śladowych oraz 1-2 MB przetworzonych wyników na scenariusz, co daje łączny rozmiar zbioru danych około 2 GB.

5. Wykonanie symulacji

  1. Uruchom każdą symulację przez 900 sekund. Porównaj proponowany protokół z trzema alternatywami: schematem tylko agregacji, schematem tylko harmonogramowania oraz bazowym PCCP.
  2. Używaj identycznych topologii sieciowych i losowych seedów we wszystkich protokołach, aby zapewnić porównywalność. Zbieraj pliki śledzenia z każdego uruchomienia i organizuj je w katalogu wyników według gęstości węzłów, obciążenia ruchu i typu protokołu.

6. Analiza danych

  1. Pliki trace parse za pomocą skryptów Pythona, aby obliczyć stosunek dostawy pakietów, opóźnienia end-to-end, przepustowość, zużycie energii na węzeł oraz czas życia sieci (czas do śmierci pierwszego węzła i 50% śmierci węzła).
  2. Średnie wyniki z pięciu przebiegów i podawanie ich jako średnie ± 95% przedziale ufności.
  3. Zastosuj testy t w parach dla danych o normalnym rozkładzie i testy Wilcoxona z rangą znakową w innych przypadkach i rozważ różnice istotne przy p < 0,05.

7. Wytyczne operacyjne dotyczące wykorzystania oprogramowania

  1. Wykonanie NS-2 i wywołanie skryptu Tcl
    1. Użyj NS-2.35 do uruchamiania scenariuszy symulacyjnych z wykorzystaniem dostarczonego pliku Tcl (hybrid_protocol.tcl).
      Uruchom jeden scenariusz:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      Flagi: -nn (węzły), -seed (seed), -traffic (cbr|bursty), -out (plik śledzenia).
      Wykonanie wsadowe: ./configs/run_experiment.sh
  2. Skrypty Pythona do parsowania śladów i ekstrakcji metryki
    1. Analizuj ślad
      Analiza Pythona/parse_ns2.py traces/out_300_seed3.tr --o results/metrics_300_3.csv
    2. Wskaźniki agregowane
      Analiza Pythona/compute_metrics.py wyniki -- podsumowanie wyników/summary_all.csv
    3. Generuj wykresy
      Analiza w Pythonie/plot_metrics.py wyniki/summary_all.csv --Wyniki wyników/
  3. Szkolenie i wnioskowanie NFDE
    1. Generuj dane treningowe
      Python NFDE/anfis_train.py --generuj 15000 --out 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. Uruchom wnioskowanie NFDE
      python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. Oczekiwane wyniki

  1. Wykazanie lepszej wydajności proponowanego protokołu w porównaniu do schematów bazowych 6,7,13,14,17,24. Utrzymuj wysokie wskaźniki dostarczania pakietów nawet przy dużym natężeniu, redukuj opóźnienia end-to-end dzięki adaptacyjnemu planowaniu oraz utrzymuj wyższą przepustowość poprzez kontrolę redundantnych transmisji.
  2. Wykazują poprawę efektywności energetycznej i dłuższy żywotność sieci dzięki zmniejszonym retransmisjom i zrównoważonemu rozkładowi obciążenia.
  3. Warto podkreślić przydatność tego protokołu dla WSN z IoT w zastosowaniach opieki zdrowotnej, przemysłowych IoT oraz inteligentnych miast, gdzie terminowe i niezawodne dostarczanie danych jest kluczowe.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Schemat PRAM był możliwy do zrealizowania w bezprzewodowej sieci sensorów, z komunikacją pojedynczego skoku i ograniczonym rozmiarem bufora. Eksperymenty przeprowadzono z różnymi prędkościami ruchu, a wydajność schematu porównano z tradycyjnym Aloha oraz wariantem drzewiastego Aloha (T-Aloha) pod względem przepustowości, średniego opóźnienia dostępu oraz średniej liczby niepustych buforów. Wyniki wyraźnie wykazały, że proponowany system osiągnął lepsze wyniki we wszystkich powyższych wskaźnikach.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Wyniki pokazują, że kontrola przeciążenia została znacząco ulepszona w bezprzewodowych sieciach sensorów z IoT dzięki integracji agregacji hybrydowej, adaptacyjnego harmonogramowania oraz adaptacji neuro-fuzzy. W rzeczywistości nowy protokół osiąga lepsze wyniki niż bazowe systemy tylko agregacji, harmonogramowania i PCCP pod względem dostarczania pakietów, opóźnień, przepustowości, efektywności energetycznej oraz żywotności sieci w różnych gęstościach węzłów i warunkach ruchu. W rzeczywistości te osiągnięcia stanowią pr...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy deklarują, że nie mają konkurujących ze sobą interesów finansowych ani relacji osobistych, które mogłyby wpłynąć na pracę opisaną w tym manuskrypcie.

Podziękowania

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

Autorzy z wdzięcznością doceniają wsparcie udzielone przez Uniwersytet Vishwakarma w Pune w zakresie zaplecza badawczego i wsparcia administracyjnego na trakcie rozwoju tej pracy. Autorzy dziękują również Wydziałowi Inżynierii Komputerowej za zapewnienie infrastruktury obliczeniowej niezbędnej do symulacji i analizy. Badania te nie otrzymały żadnego konkretnego grantu od żadnej agencji finansującej z sektora publicznego, komercyjnego ani non-profit. Duże narzędzia do modeli językowych służyły wyłącznie do dopracowywania i formatowania języka. Cała treść naukowa, metody i analizy zostały opracowane wyłącznie przez autorów. Cały tekst wygenerowany przez pomoc AI został przejrzany i zweryfikowany pod kątem poprawności.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Moduł Aqua-Sim (opcjonalnie)Repozytorium Rozszerzeń NS2–Używany w testach scenariuszy WSN pod wodą
Komputer stacjonarny/laptop (Intel i5/AMD Ryzen 5, ≥ 8 GB RAM, ≥ 20 GB pamięci masowej)Dostępne komercyjnie–Używany do uruchamiania wszystkich symulacji
Kompilator GNU C/C++, Tcl/TkRepozytorium Ubuntu–Wymagane do kompilacji NS-2
MATLAB R2022a (opcjonalnie)MathWorkshttps://www.mathworks.comStosowany do modelowania ANFIS/fuzzy, jeśli preferowany
Symulator sieci NS-2.35Projekt ISI/NS2https://www.isi.edu/nsnam/ns/Podstawowe środowisko symulacyjne
Przetworzone wyniki (.csv)Powstały w tym badaniu-Obliczeniowe metryki: PDR, opóźnienie, przepustowość, energia, czas życia
Python 3.10 (NumPy, SciPy, Pandas, Matplotlib)Python Software Foundationhttps://www.python.orgWykorzystywane do analizy i wykresów
Skrypty analityczne w PythoniePowstały w tym badaniu-Skrypty do analizowania śladów i generowania wykresów
Surowe pliki śledzenia NS-2 (.tr)Powstały w tym badaniu-Zawieraj transmisję na poziomie pakietu oraz zdarzenia energetyczne
Pliki konfiguracyjne symulacji (topologia, modele ruchu, losowe ziarna)Powstały w tym badaniu-Wymagane do replikacji eksperymentów
Ubuntu Linux 22.04 LTSCanonical Ltd.https://ubuntu.comSystem operacyjny dla NS-2

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Sieci IoTadaptacyjne harmonogramowaniekontroler neuro rozmytywsp czynnik dostarczenia pakiet wop nienie end to endzu ycie energiiczas ycia sieci
Film wkrótce dostępny

Powiązane artykuły