Artigo de método

Mecanismo Inteligente de Controle de Congestionamento para Redes de Sensores Sem Fio Habilitadas por IoT usando Técnica Híbrida de Agregação e Agendamento

DOI:

10.3791/69909

⸱

13 de janeiro de 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

Neste artigo

Resumo

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

Esse protocolo introduz um método inteligente de controle de congestionamento para WSN habilitado por IoT usando uma técnica híbrida de agregação e agendamento complementada por uma camada de decisão neuro-fuzzy. O sistema proposto melhora a entrega de pacotes, o atraso, a taxa de transferência e a eficiência energética, aumentando assim a vida útil da rede enquanto garante QoS no caso de cargas de trabalho variáveis em IoT.

Resumo

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

O congestionamento em redes de sensores sem fio (WSNs) habilitadas por IoT degrada a entrega de pacotes, a latência e o consumo de energia, prejudicando a rede, especialmente sob condições de tráfego irregular e heterogêneas. Esse protocolo ilustra uma técnica inteligente de controle de congestionamento que combina agregação híbrida de dados, escalonamento adaptativo e um motor de decisão neuro-fuzzy para lidar eficientemente com a carga da rede. O método envolve primeiro gerar dados de simulação, criar topologias de diferentes densidades de nós e configurar padrões de tráfego usando o NS-2.35. Rastreios de pacotes são obtidos para cada cenário para permitir avaliação reprodutível. O fluxo de trabalho de protocolo refere-se à combinação de dois mecanismos: (1) agregação híbrida, que combina pacotes em janelas baseadas em tempo e contagem, mantendo os rótulos de prioridade, e (2) escalonamento adaptativo, que lida com filas de prioridade dupla via round robin ponderado. Um controlador neuro-fuzzy sempre avalia a ocupação do buffer, qualidade do link, utilização do canal, energia residual e prioridade ao tráfego. Ao receber essas entradas, regula a profundidade de agregação, os pesos das filas e as decisões de transmissão por meio de inferência difusa e aprendizado neuroadaptativo. As tarefas de medição de desempenho abrangem o cálculo da razão de entrega de pacotes, latência de ponta a ponta, throughput, consumo de energia em nível de nó e vida útil da rede. Análises estatísticas são realizadas em múltiplas execuções para verificar a confiabilidade dos resultados. A abordagem revela melhor desempenho na simulação em comparação com os esquemas base. Esse protocolo oferece uma estrutura reprodutível para explorar métodos híbridos de controle de congestionamento que permitem operação eficiente em energia, escalável e consciente de QoS em ambientes WSN habilitados por IoT.

Introdução

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

O enorme crescimento da Internet das Coisas (IoT) exigiu a implantação de bilhões de dispositivos interligados, dos quais redes de sensores sem fio (WSNs) são usadas para fornecer monitoramento em tempo real e suporte à decisão, na maioria doscasos 1,2. Essas redes tornam-se as estruturas centrais de sistemas habilitados por IoT em áreas radicalmente diferentes, como monitoramento emsaúde 3, cidadesinteligentes 4, agriculturade precisão 5, automaçãoindustrial 6 e sensoriamentoambiental 7. As WSNs são compostas por nós sensores que possuem recursos limitados, como largura de banda, energia e poder computacional. As limitações agravam o problema, já que o tráfego de IoT também é muito dinâmico e com rajadas, portanto as redes mencionadas são altamente suscetíveis acongestionamento.

Esse protocolo é especialmente relevante para implantações de IoT de médio a grande porte (150-750 nós) que produzem tráfego periódico misto e de rajadas sob restrições energéticas rigorosas. Esse tipo de situação pode ser encontrado com muita frequência em monitoramento em saúde, sensores de cidades inteligentes e sistemas de automação industrial, onde ainda é necessário garantir entrega confiável e comunicação de baixa latência, apesar dos recursos limitados dos nós9.

O congestionamento em WSNs pode prejudicar seriamente a capacidade de desempenho da rede por diversos meios, incluindo quedas de pacotes, aumento dos atrasos na fila, diminuição do throughput e esgotamento aceleradode energia 8,10. Em cenários críticos de IoT, por exemplo, telemedicina ou socorro em desastres, atrasos causados por congestionamento ou perda de pacotes podem ter consequênciasfatais 11,12. Os métodos atuais de controle de congestionamento possuem três categorias principais: esquemas baseados em tráfego (limitação de taxa de fonte, controle de contrapressão)13,14, esquemas baseados em agregação (combinação de dados na rede)15,16, e esquemas baseados em escalonamento (fila de prioridade, alocação de canais)9,17. Assim, essas técnicas alcançam um certo nível de sucesso, mas também apresentam limitações quando usadas isoladamente. Por exemplo, métodos baseados em tráfego frequentemente são culpados de piorar o desempenho das aplicações devido à redução das taxas de origem de forma não seletiva. Métodos baseados em agregação eliminam redundância, mas adicionam atraso aos fluxos críticos em tempo. Embora estratégias baseadas em agendamento possam aumentar o nível de justiça, elas não podem funcionar efetivamente sem a presença de outros altos volumesde tráfego 6.

Comparado aos esquemas apenas de tráfego, agregação e apenas escalonamento, o controle neuro-fuzzy híbrido oferece um equilíbrio mais equilibrado entre confiabilidade da entrega de pacotes, latência e consumo de energia. Ao regular conjuntamente a profundidade de agregação e a prioridade de escalonamento com base no estado da rede em tempo real, a abordagem proposta mitiga o congestionamento de forma mais eficaz sob cargas de trabalho de IoT pesadas eheterogêneas 18.

Motivação para pesquisa
Redes de sensores sem fio habilitadas por IoT geram tráfego heterogêneo e frequentemente explosivo, tornando-as vulneráveis a congestionamento, excesso de filas e retransmissões excessivas. Esquemas existentes baseados em tráfego, apenas agregação ou apenas escalonamento não conseguem alcançar um equilíbrio entre entrega de pacotes, latência e consumo de energia sob condições de carga dinâmica19,20. Motivado por essas limitações, este estudo introduz um protocolo híbrido de congestionamento e controle que combina agregação adaptativa, agendamento consciente de QoS e tomada de decisão neuro-fuzzy para fornecer desempenho confiável, consciente de atrasos e energeticamente eficiente em ambientes densos de IoT-WSN.

Trabalhos recentes destacaram o potencial de mecanismos híbridos que combinam agregação e escalonamento para equilibrar throughput, latência e eficiência energética21,22. Métodos adaptativos usando lógica difusa, aprendizado por reforço ou inferência neuro-difusa aumentam ainda mais a resposta a estados dinâmicos darede 23,24,25,26. A maioria dos métodos atuais, no entanto, depende de limiares estáticos, escala o overhead computacional que não é adequado para nós com recursos limitados e não é robusta sob cargas de trabalho heterogêneasde IoT 27,28. Portanto, a demanda por mecanismos inteligentes de controle de congestionamento, leves, adaptativos e capazes de reagir a mudanças de tráfego, ao mesmo tempo em que possam estender a vida útil da rede, ainda é muito alta.

Diversos estudos foram realizados para revelar confiabilidade, aprimoramento de QoS e recursos seguros de manuseio de dados em WSNs habilitadas para IoT. Esquemas de detecção e recuperação de falhas conscientesde energia 29,30 foram comprovados como aumentam a robustez e o desempenho de ponta a ponta em ambientes emmudança 31. Protocolos de blockchain leves podem ser usados para garantir ainda mais a comunicação de dados em aplicações IoT-WSN. A implementação de métodos hierárquicos de detecção de falhas baseados em regras também ajuda a manter o QoS em implantações de sensores com recursos limitados. Essas melhorias apontam para a demanda por soluções de controle de congestionamento que possam ser integradas à confiabilidade, segurança e uso eficiente dos recursos em sistemas IoT modernos.

Embora as técnicas de controle de congestionamento para WSNs tenham sido amplamente pesquisadas, é geralmente verdade que as soluções existentes consideram apenas mecanismos de camada única — um de ajuste de taxa de tráfego, agregação ouescalonamento 15. O protocolo em questão, no entanto, apresenta um mecanismo adaptativo multicamadas no qual agregação híbrida, agendamento consciente de prioridades e tomada de decisão neuro-difusa interagem e se atualizam mutuamente de forma contínua. Em contraste com métodos padrão apenas fuzzy, o NFDE emprega ajuste neuroadaptativo guiado por ANFIS, permitindo assim mudanças em tempo real nas funções de pertença e nos parâmetros das regras dependendo dos padrões reais de tráfego. O protocolo proposto é significativamente diferente dos outros modelos por essa coordenação integrada entre camadas, aliada a uma computação leve adequada para hardware IoT.

Antes deste artigo, uma grande quantidade de pesquisas foi realizada sobre congestionamento em WSNs, evidenciado por inúmeras pesquisas que relatam centenas de algoritmos abordando congestionamento no link, overflow de buffer ou níveis médios de contenção. A maioria das soluções foi projetada para enfrentar esses problemas em uma única camada de protocolo, enquanto a questão do controle adaptativo de congestionamento em múltiplas camadas mal foiabordada 9,21. A pesquisa atual preenche essa lacuna combinando adaptação cruzada com um módulo neuro-fuzzy leve para hardware classe IoT.

Diante desses problemas, a pesquisa apresentou um mecanismo inteligente de controle de congestionamento capaz de integrar técnicas híbridas de agregação e escalonamento com um motor de decisão neuro-fuzzy para WSNs prontas para IoT. O componente de agregação mitiga transmissões redundantes por meio da utilização tanto de janelas baseadas em tempo quanto de contagem de pacotes. O componente de escalonamento garante justiça e conformidade com QoS por meio do round robin ponderado entre as filas duplas para fluxos críticos e não críticos. O motor neuro-fuzzy acompanha as principais variáveis de estado da rede, bufferizando conjuntamente ocupação, utilização do canal, energia residual, qualidade do link e prioridade de tráfego. Ao usar regras de inferência difusa que são aprimoradas com aprendizado neuroadaptativo, o controlador altera a profundidade de agregação, os pesos de agendamento e as taxas de transmissão. Um sistema em malha fechada assim permite que o protocolo seja suficientemente flexível em situações de congestionamento em tempo real.

Estabelecemos as principais questões de pesquisa, o que nos ajudou a definir o escopo e a importância do estudo, para poder apresentá-las claramente. As questões de pesquisa que orientaram a pesquisa são as seguintes:
RQ1: Como a agregação e o agendamento híbridos podem reduzir a congestão em WSNs habilitados por IoT de forma mais eficaz do que métodos independentes?
RQ2: Qual é o papel de um motor de decisão neuro-fuzzy na adaptação a estados de rede sob cargas de tráfego variadas?
RQ3: Como o protocolo proposto melhora a relação de entrega de pacotes, a latência, a taxa de transferência e a eficiência energética em comparação com os esquemas convencionais de controle de congestionamento?
RQ4: O protocolo proposto pode estender a vida útil da rede mantendo o QoS em diversas aplicações IoT?

As contribuições deste estudo são quatro. O argumento principal é um framework híbrido de agregação e agendamento com adaptação neuro-fuzzy para controle de congestionamento em WSNs habilitadas por IoT. O segundo ponto é que implementa uma estrutura de simulação reproduzível para testar o desempenho sob diferentes tamanhos de rede e intensidades de tráfego. Terceiro, mostra os avanços quantificáveis na entrega de pacotes, latência, throughput, eficiência energética e vida útil em relação às linhas de base. No final, oferece dados, arquivos de configuração e scripts de análise para abertura e reprodutibilidade.

Os diferentes métodos de controle de congestionamento, incluindo apenas fuzzy, apenas agregação, apenas escalonamento e baseado em DRL, têm suas limitações, que o trabalho proposto aborda empregando agregação híbrida de adaptação multicamada, agendamento adaptativo em fila dupla e um motor de decisão neuro-fuzzy, todos integrados em um único framework leve e amigável ao hardware. Em contraste com métodos baseados em DRL, que são computacionalmente caros e levam muito tempo para convergir, a camada neuro-fuzzy proposta pode realizar as operações quase em tempo real com consumo consideravelmente menor de energia e CPU; portanto, é ideal para nós sensores da classe IoT. Vários métodos de congestionamento e controle foram comparados na Tabela 1 junto com o método proposto.

Tabela 1: Comparação entre abordagens existentes de controle de congestionamento e o método proposto. Esta tabela descreve as características mais importantes, vantagens e limitações de diferentes categorias de métodos de controle de congestionamento em redes de sensores sem fio, como apenas fuzzy, apenas agregação, apenas escalonamento e abordagens baseadas em DRL. Ele destaca a singularidade do método proposto em combinar agregação híbrida, escalonamento adaptativo de prioridades e um motor de decisão neuro-fuzzy leve para oferecer adaptação multi-camada com baixo custo computacional. A comparação feita entre eles mostra que o protocolo introduzido é capaz de alcançar melhor PDR, menor latência, throughput balanceado e maior eficiência energética, e ainda assim ser compatível com dispositivos IoT-WSN com recursos limitados. Por favor, clique aqui para baixar esta Tabela.

Trabalhos relacionados
Pesquisas recentes sobre controle de congestionamento em Redes de Sensores Sem Fio (WSNs) habilitadas por IoT mostram que técnicas de camada única — agregação pura, redução de tráfego ou escalonamento — são insuficientes sob cargas heterogêneas e com rajadas que causam transbordamento de buffer, colisões e desperdício severo de energia¹-⁵. Esquemas híbridos de agregação e escalonamento, portanto, ganharam destaque por reduzir simultaneamente transmissões redundantes e regular a contenção à medida que as densidades de nós escalam 6,7,8,10. Variantes cross-layer integram roteamento, clustering e escalonamento em nível MAC para estabilizar fluxos convergecast e cargas de trabalho mistas deQoS 11, 12, 13, enquanto gatilhos fuzzy ou heurísticos ajustam a profundidade de agregação e a disciplina de serviço com base nos sinais locaisde congestionamento 14, 15, 16. Técnicas de soft-computing melhoram ainda mais a responsividade: controladores fuzzy inferem estados de fila a partir da ocupação do buffer, qualidade do link eretransmissões 9,17,21; Sistemas neuro-fuzzy aprimoram isso aprendendo pesos das regras para otimização multiobjetivo entre relação de entrega de pacotes (PDR), latência, throughput e usode energia 22,23,24. Enquanto isso, abordagens de aprendizado por reforço profundo (DRL/RL) gerenciam controle de taxa, cache e escalonamento25, 26, 27 e 28, e frameworks baseados em generativa/otimização remodelam clusters e rotas sob estresse enquanto ajustam o comportamento do tráfego local²9. Nessas abordagens diversas, híbridos inteligentes consistentemente superam métodos estáticos ao conter os excessos de fila, estabilizar janelas de contenção, diminuir o atraso e melhorar o fluxo e a eficiência energética sob condições de tráfegovariadas 8,9,12,24,25,26,27,28,29,30 ,32,33,34.

Uma linha paralela de trabalho foca em melhorar a vida útil da rede e o QoS adaptando parâmetros de controle de congestionamento aos níveis de energia, condições de ligação e prioridades de aplicação. Estudos demonstram que agregar pacotes correlacionados reduz o número de transmissões, enquanto o agendamento adaptativo minimiza contenção, escuta ociosa e tempestades decolisão 14,17,18,27,30,32,33,34,35,36. Mecanismos baseados em prioridades protegem o tráfego urgente de saúde ou industrial enquanto estimulam a telemetria não crítica 18,32,33,35, e o roteamento, clustering e controle de taxa fuzzy/neuro-fuzzy, além de suavizar oscilações em cenários de altacarga 33,18. Avanços adicionais, como otimização impulsionada por IA pararoteamento 37, clustering38 e mapeamento consciente decongestionamento de longo prazo 39, juntamente com detecção inteligentede falhas 40, comunicação segura habilitada por blockchain31 e recuperação energeticamente consciente⁴1, destacam a tendência crescente para soluções integradas e conscientes do congestionamento contextual. Apesar desses avanços, a maioria das abordagens existentes ainda carece de uma estrutura unificada, leve e em tempo real, capaz de coordenar conjuntamente agregação, agendamento e adaptação inteligente entre diversas cargas de trabalho de IoT. Essa lacuna motiva o desenvolvimento de um sistema híbrido inteligente de controle de congestionamento que aproveita decisões neuro-fuzzy para um desempenho escalável, consciente de QoS e energeticamente eficiente em ambientes modernos de WSN habilitados por IoT.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

1. Configuração do ambiente de simulação

  1. Instale o Ubuntu 22.04 LTS em uma estação de trabalho com pelo menos um processador Intel i5, 8 GB de RAM e 20 GB de armazenamento. Configure o compilador GNU C/C++ e as bibliotecas Tcl/Tk para compilar e rodar o NS-2.35.
  2. Instale Python 3.10 junto com NumPy, SciPy, Pandas e Matplotlib para análise e plotamento. Permitir que os módulos de monitoramento de energia e fila NS-2 capturem eventos de enfileir, dequeue, drop, entrega e consumo de energia.
  3. Execute cada experimento 5 vezes usando sementes aleatórias independentes para garantir a reprodutibilidade.
  4. Estruture o diretório de simulação em subpastas para configurações, scripts, resultados e análises, e mantenha logs Markdown para registrar configurações e resultados.
    NOTA: Todos os arquivos de configuração TCL, scripts de implementação NFDE e utilitários de análise usados no fluxo de trabalho de simulação são fornecidos no Arquivo Suplementar 1.

2. Topologia da rede e geração de tráfego

  1. Gerar topologias de rede de sensores sem fio com 150, 300, 450, 600 e 750 nós distribuídos uniformemente dentro de uma área de implantação de 600 x 600 m².
  2. Inicialize cada nó com 25 J de energia, um alcance de transmissão de 75 m e uma largura de banda de 250 kbps para representar dispositivos da classe IoT.
  3. Coloque o nó de sumidouro no centro ou na fronteira da rede para criar caminhos de roteamento heterogêneos.
  4. Introduza modelos de tráfego que compreendem fluxos periódicos de taxa de bits constantes a 1 pacote/s e rajadas orientadas a eventos de 5-10 pacotes/s com duração de 20-30 s.
  5. Combine tráfego em segundo plano e tráfego de alta prioridade para testar a capacidade do protocolo de distinguir e priorizar fluxos. Os parâmetros resumidos da simulação são fornecidos na Tabela 2.
  6. Parâmetros de configuração da simulação NS-2
    1. Protocolo de roteamento: Use roteamento Ad hoc On-Demand Distance Vector (AODV) para todas as simulações. Defina os seguintes parâmetros chave: Intervalo de alô: 1 s, Tempo de espera da rota ativa: 3 s, TTL de início/máximo de pontos: 2 / 7 saltos.
      NOTA: O AODV é selecionado devido à sua leve sobrecarga de pacotes de controle e adequação para topologias dinâmicas IoT/WSN.
    2. Configuração MAC: Use o protocolo MAC IEEE 802.11 DCF (Distributed Coordination Function). Defina os seguintes parâmetros importantes: Taxa básica: 1 Mbps, Taxa de dados: 250 kbps (taxa de dados classe WSN), RTS/CTS: desativado (segue configurações típicas de WSN de baixa potência), CWmin = 31, CWmax = 1023, Tempo de slot = 20 μs, SIFS = 10 μs, DIFS = 50 μs.
    3. Configuração da fila: Defina o tipo de fila como PriQueue para suportar agendamento de dupla prioridade, comprimento da fila (comprimento IFQ) para 50 pacotes. Defina o mapeamento da fila como tráfego de alta prioridade para a Fila 1 e o tráfego normal para a Fila 2. Defina o comportamento da fila para DropTail usado para o tratamento de overflow.
    4. Modelo de propagação: Selecione o TwoRayGround para ambientes externos típicos de IoT/WSN, onde a perda de trajetória aumenta com a distância. Defina os parâmetros do modelo como altura da antena: 1,5 m, fator de perda do sistema: 1,0, limiar mínimo de potência recebida: −95 dBm.
    5. Modelos de interface e antena: Defina o tipo de interface sem fio como Phy/WirelessPhy. Defina a seguinte configuração de interface de rede: Tipo de fila de interface: Queue/DropTail/PriQueue, Interface de rede: CMUPriQueue para serviço priorizado. Defina o modelo da antena como Antenna/OmniAntenna, pois ele reflete os motes típicos do sensor (MicaZ, TelosB, etc.).
    6. Comprimento IFQ e tamanho do pacote: Defina o comprimento da fila de interface (IFQLength) para 50 pacotes, pois isso garante que o congestionamento ocorra em picos de tráfego realistas. Defina os seguintes parâmetros de tamanho de pacote: Pacote CBR padrão: 512 bytes, cabeçalho MAC: ~36 bytes, pacote de controle AODV: ~32 bytes. Defina o limiar de fragmentação para Nenhum (fragmentação desativada).
    7. Configurações de Canais: Defina o tipo de canal para Channel/WirelessChannel, frequência para a banda ISM de 2,4 GHz (frequência comum de IoT), largura de banda para 250 kbps e duplex para half-duplex. Defina os parâmetros da camada de link como Energia inicial: 25 J, potência de transmissão: 0,66 W, potência de recepção: 0,395 W, potência ociosa: 0,035 W e potência de sono: 0,003 W. Ajuste o ruído mínimo para −100 dBm e o limiar do sentido da portadora (CST) para −94 dBm.

Tabela 2: Parâmetros de simulação NS-2.35 usados para avaliar o protocolo proposto de controle de congestionamento. Esta tabela reúne todas as configurações de simulação no NS-2.35, como o tamanho da área de implantação, densidades de nós, parâmetros relacionados à energia, configurações de MAC e roteamento, estrutura da fila, modelo de propagação, tamanho do pacote e limiares de controle. Os parâmetros servem para garantir a completa reprodutibilidade do ambiente experimental para a comparação de desempenho entre esquemas híbridos, apenas agregação, apenas escalonamento e controles de congestionamento de base. Por favor, clique aqui para baixar esta Tabela.

3. Arquitetura metodológica

  1. Projete o protocolo proposto integrando agregação híbrida, agendamento adaptativo e um motor de decisão neuro-fuzzy.
  2. Implemente agregação híbrida para combinar pacotes dentro de janelas baseadas em tempo ou contagem de pacotes, preservando as tags prioritárias para tráfego crítico.
  3. Use o escalonamento adaptativo para gerenciar duas filas — uma para fluxos críticos e outra para fluxos não críticos — e aplique escalonamento round robin ponderado com pesos de fila ajustáveis dinamicamente.
  4. Empregue o motor de decisão neuro-fuzzy para monitorar a ocupação do buffer, utilização do canal, energia residual, qualidade do enlace e prioridade ao tráfego.
  5. Mapear essas entradas em funções de pertença difusas, aplicar regras de inferência para otimizar a profundidade de agregação e os pesos de agendamento, e ajustar as decisões do sistema por meio de aprendizado neuroadaptativo.
    1. Estrutura do modelo NFDE: Implementar o Neuro-Fuzzy Decision Engine (NFDE) como um Sistema de Inferência Neuro-Fuzzy Adaptativa Sugeno de primeira ordem (ANFIS) com cinco variáveis de entrada e três parâmetros de controle de saída. O sistema utiliza uma arquitetura de cinco camadas
      Camada 1 - Fuzzificação de entrada: Converte valores nítidos do sensor em graus de pertensão.
      Camada 2 - Força de disparo de regras: Calcula as forças de disparo de regras usando inferência de produto.
      Camada 3 - Normalização: Normaliza a intensidade de disparo.
      Camada 4 - Termos de saída linear: Gera saídas lineares ponderadas.
      Camada 5 - Agregação de saída: Combina resultados para produzir ajustes de profundidade de agregação, peso de escalonamento e taxa de transmissão.
      Cada regra tem a forma: Se (B é X1) e (C é X2) e (E é X3) e (LQI é X4) e (P é X5) → f = p1· B + p2· C + p3· E + p4· LQI + p5· P + p0.
      O modelo contém de 15 a 25 regras dependendo das restrições de complexidade.
    2. Variáveis de entrada e saída
      1. Defina 5 variáveis de entrada, a saber: b ocupação de óbores (B) - Razão entre o comprimento atual da fila e o comprimento IFQ (0-1), utilização de c hannel (C) - fração de tempo ocupado MAC (0-1), r energia esidual (E) - fração de energia restante (0-1), l indicador de qualidade de tinta (LQI) - probabilidade normalizada de sucesso do link (0-1), e prioridade raffica t (P) com 1,0 como crítico e 0,0 como não crítico.
      2. Defina 3 variáveis de saída, a saber, profundidade de agregação (A*) - Número recomendado de pacotes para agregar (intervalo 1-6), peso de cheduling s (W*) - Peso atribuído à fila de alta prioridade (0,3-0,8), ajuste de rate (R*) - Escalonamento da taxa de transmissão (−20% a +10%).
    3. Todas as entradas utilizam funções de pertença triangular ou trapezoidais definidas no intervalo de 0 a 1. Defina as funções m embership abaixo com os intervalos numéricos.
      Ocupação de buffer (B) - Baixa: trapmf(0,0, 0,0, 0,20, 0,40), Média: trimf(0,30, 0,50, 0,70), Alta: trapmf(0,60, 0,80, 1,0, 1,0)
      Utilização do canal (C) - Baixa: trimf(0,0, 0,15, 0,30), Média: trimf(0,25, 0,50, 0,75), Alta: trimf(0,70, 0,85, 1,0)
      Energia residual (E) - Alta: trapmf(0,70, 0,80, 1,0, 1,0), Média: trimf(0,40, 0,55, 0,70), Baixa: trapmf(0,0, 0,0, 0,30, 0,50)
      Indicador de qualidade do link (LQI) - Bom: trapmf(0,70, 0,80, 1,0, 1,0), Moderado: trimf(0,40, 0,55, 0,70), Pobre: trapmf(0,0, 0,0, 0,30, 0,45)
      Prioridade de tráfego (P) - Não crítico: trimf(0,0, 0,0, 0,1), Crítico: trimf(0,9, 1,0, 1,0)
      Funções de membro da saída - Como o Sugeno ANFIS usa saídas lineares nítidas:
      A* (profundidade de agregação) = a1·entradas + a0, recortado para [1,6], W* (peso prioritário) = w1·entradas + w0, recortado para [0,3,0,8], R* (fator de taxa) = r1·entradas + r0, recortado para [−0,20, +0,10]
    4. Formulação da base de regras: Uma base completa de regras normalmente inclui de 15 a 25 regras, dependendo dos limites computacionais. Defina um subconjunto típico de regras como
      Se B = alto E C = alto → reduzir A*, aumentar W*, reduzir R*
      Se B = médio E E = alto E P = crítico → moderado A*, aumente W*
      Se LQI = pobre → aumentar A* (para reduzir retransmissões)
      Se E = baixo → reduzir R*, reduzir A* (conservação de energia)
      Se C = baixo E P = crítico → definir W* alto
      Se B = alto E LQI = bom → reduzir A*, aumentar R*
      NOTA: Distintividade do sistema de regras neuro-fuzzy. O sistema de regras difusas difere dos esquemas convencionais de controle de congestionamento em dois aspectos:
      Acoplamento multi-entrada: Ele considera conjuntamente a ocupação da fila, a utilização do canal, a profundidade de agregação e métricas de prioridade de pacotes, raramente combinadas em controladores WSN fuzzy existentes.
      Ajuste de regras neuroadaptativo: As regras iniciais são definidas por especialistas, mas posteriormente otimizadas usando aprendizado ANFIS, atualizando as forças das regras e parâmetros de saída para corresponder às condições reais da rede. As regras representativas utilizadas incluem:
      SE a ocupação da fila for alta E a utilização do canal for alta, ENTÃO reduza a taxa de transmissão e aumente a profundidade de agregação.
      SE a ocupação da fila for média E a prioridade alta ENTÃO aumente o peso do agendamento.
      SE a energia residual for baixa ENTÃO limite as retransmissões e reduza a pressão da fila.
      Esses ajustes dinâmicos das regras permitem uma mitigação de congestionamento mais responsiva em comparação com sistemas estáticos e fuzzy.
    5. Defina e ajuste funções e regras de membro. Primeiro, configure as funções de associação difusas com base nos intervalos empíricos das tendências simuladas do NS-2 que foram feitas como estudo preliminar. Essas tendências incluem ocupação de buffer, utilização do canal, energia residual e distribuições de LQI. Depois, ajuste-se essas funções de pertença por meio do procedimento de treinamento ANFIS, onde a descida gradiente é usada para otimizar tanto os limites MF quanto os parâmetros de saída Sugeno. Faça a base inicial de regras vaga a partir das heurísticas derivadas por especialistas. Depois disso, treine o sistema neuroadaptativo até que os pesos e parâmetros das regras sejam atualizados devido a padrões representativos de tráfego, permitindo assim que sejam ajustados.
    6. Avalie a pegada computacional do NFDE para determinar se ele é adequado para nós sensores de classe IoT. Acompanhe o tempo de inferência, que geralmente é de 1,2 a 1,8 ms em um microcontrolador Cortex-M4 rodando a 72 MHz. Certifique-se de que o consumo de memória para todas as funções de membro e parâmetros das regras não exceda 40 KB. Realize todo o treinamento ANFIS offline e não em nós sensores. Para manter a adaptabilidade em tempo real com uma carga computacional muito baixa, apenas a parte leve de inferência deve ser usada durante a implantação.
    7. Procedimento de Treinamento: Treine o NFDE offline usando o algoritmo híbrido ANFIS
      Passe para frente (Estimativa de Mínimos Quadrados): Determina parâmetros lineares das regras de Sugeno.
      Passagem para trás (Descida em Gradiente): Atualiza parâmetros MF não lineares.
      1. Defina parâmetros de treinamento como tamanho do conjunto de dados de treinamento: 15.000 amostras geradas a partir de estados simulados de tráfego, Épocas: 50, Taxa de aprendizado (α): 0,01, Tolerância a erros: 1 x 10⁻⁴ , Parada antecipada: 3 épocas consecutivas sem melhoria, Meta de otimização: minimizar RMSE entre a saída do NFDE e os perfis de controle de precisão no terreno.
  6. A congestão é revelada tanto por indicadores de nível de condição quanto de subcondição. Distinga o congestionamento em nível de nós inspecionando os níveis de ocupação da fila, a taxa de crescimento da fila e os eventos de queda de pacotes quando o IFQ está próximo do limite de capacidade. Inferir congestionamento em nível de canal a partir de aumentos sustentados no período de movimento MAC, longos intervalos de retrocesso e aumento da probabilidade de colisão. Esses sinais são constantemente fornecidos ao Motor de Decisão Neuro-Fuzzy, que determina a gravidade do congestionamento e emite medidas de controle autônomos.
  7. Após a detecção de congestionamento, o NFDE amplia a agregação para reduzir as transmissões de pacotes, reconfigurar os pesos de escalonamento para criticidade de tráfego e reduzir a taxa de transmissão para normalizar a fila. Mantenha o mecanismo de detecção separado da camada de aplicação, assim o manejo de congestionamento é mantido mesmo que o tráfego seja de outro tipo.
  8. Atualize parâmetros a cada 1-2 segundos para uma resposta quase em tempo real. Use a Tabela 3 para referenciar os parâmetros da função de pertensão, intervalos de saída e regras fuzzy representativas aplicadas no Motor de Decisão Neuro-Fuzzy. Consulte os valores numéricos de MF listados, os limites de saída Sugeno e exemplos de regras de decisão para reproduzir com precisão o comportamento de inferência e adaptação do controlador.
  9. Realize a análise em quatro etapas principais:
    Configuração: Prepare o NS-2.35, ferramentas de análise em Python e gere topologias de rede e padrões de tráfego.
    Ajuste de Parâmetros: Configure a profundidade de agregação, pesos de escalonamento, parâmetros da fila de interface e funções de associação e configurações de aprendizado do NFDE.
    Execução de simulação: Rodar todos os cenários em múltiplas densidades de nós e cargas de tráfego, coletar arquivos completos de rastreamento NS-2 e registrar eventos-chave incluindo enfileir, dequeue, drop, entrega e estados de energia.
    Análise: Extrair PDR, latência, throughput, energia e métricas de vida útil usando scripts em Python e calcular significância estatística entre as linhas de base.
    NOTA: Este fluxo de trabalho fornece uma sequência clara e reproduzível da configuração à análise e está ilustrado na Figura 1.

Tabela 3: Funções de pertença fuzzy, faixas de saída e regras representativas usadas no motor de decisão neuro-fuzzy. As cinco variáveis de entrada possuem todas funções de pertença triangular e trapezoidal, e a tabela fornece os parâmetros numéricos exatos para elas. A tabela também indica os intervalos operacionais para as saídas do tipo Sugeno. Regras fuzzy representativas demonstram como o sistema interpreta as condições da rede para ajustar a profundidade de agregação, pesos de agendamento da fila e escalonamento da taxa de transmissão. Entre os parâmetros de reprodutibilidade estão contagens de MF, tamanho do conjunto de regras, taxa de aprendizado e intervalo de atualização, que estão disponíveis para facilitar uma replicação direta do NFDE. Por favor, clique aqui para baixar esta Tabela.

Figura 1
Figura 1: Arquitetura do protocolo inteligente de controle de congestionamento para redes de sensores sem fio habilitadas por IoT. O fluxo de trabalho integrado abrangente da política híbrida de controle de congestionamento é representado neste diagrama. As medições de estado da rede — ocupação do buffer, utilização do canal, energia residual, qualidade do enlace e prioridade de tráfego — são alimentadas para a camada de função de pertença e para o Motor de Decisão Neuro-Fuzzy, que então gera variáveis de controle adaptativas como profundidade de agregação, peso de escalonamento e ajuste da taxa de transmissão. Essas variáveis controlam o Módulo de Agregação Híbrida e o Módulo de Agendamento Adaptativo, permitindo assim métricas de tráfego otimizadas conjuntamente com maior índice de entrega de pacotes, menor latência, menor consumo de energia e vida útil prolongada da rede. Abreviações: NF = Neuro-Fuzzy, PDR = Índice de Entrega de Pacotes, WRR = Round Robin Ponderado, WSN = Rede de Sensores Sem Fio, IoT = Internet das Coisas, AQM = Gerenciamento de Filas Ativas (se aplicável), RSSI = Indicador de Intensidade do Sinal Recebido (se aplicável). Por favor, clique aqui para ver uma versão ampliada desta figura.

4. Detalhes do conjunto de dados

NOTA: O conjunto de dados de simulação usado neste estudo foi gerado internamente usando o ambiente NS-2.35 e não é depositado em um repositório público devido a restrições de tamanho do arquivo. No entanto, todos os arquivos de configuração, scripts TCL, código NFDE e scripts de análise em Python necessários para reproduzir o conjunto de dados estão disponíveis publicamente no seguinte repositório do GitHub: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. Os pesquisadores podem regenerar o conjunto de dados completo executando os arquivos de configuração e scripts fornecidos. Arquivos de dados adicionais podem ser disponibilizados pelos autores mediante solicitação razoável.

  1. Prepare o conjunto de dados gerando arquivos de configuração, listas de sementes aleatórias, arquivos brutos de traços NS-2, resultados CSV processados e scripts Python para análise e visualização de traços.
  2. Esclarecimento sobre a Fonte do Conjunto de Dados:
    1. Gerar todo o conjunto de dados usando a plataforma de simulação NS-2.35, em vez de obtê-lo de repositórios externos ou públicos.
    2. Configure o NS-2.35 para gerar arquivos de rastreamento bruto para cada execução de simulação, incluindo enqueue, dequeue, drop, entrega, eventos MAC e logs de energia em nível de nó.
    3. Crie todas as topologias, padrões de tráfego e configurações de parâmetros programaticamente como parte do fluxo de trabalho da simulação. Certifique-se de que cada cenário gere aproximadamente 20 MB de dados brutos de traço e armazene todos os resultados experimentais dentro do diretório do projeto.
    4. Processe esses arquivos de rastreamento usando scripts em Python para extrair a razão de entrega de pacotes, latência, throughput, consumo de energia e métricas de vida útil da rede.
    5. Nenhum conjunto de dados externo ou de terceiros é utilizado neste estudo.
  3. Cubra 75 cenários em densidades de nós, intensidades de tráfego e sementes aleatórias.
  4. Espere aproximadamente 20 MB de dados brutos de rastreamento e 1-2 MB de resultados processados por cenário, resultando em um conjunto total de cerca de 2 GB.

5. Execução de simulação

  1. Execute cada simulação por 900 segundos. Compare o protocolo proposto com três alternativas: um esquema apenas de agregação, um esquema apenas de escalonamento e a linha base PCCP.
  2. Use topologias de rede idênticas e sementes aleatórias em todos os protocolos para garantir comparabilidade. Colete arquivos de rastreamento de cada execução e organize-os no diretório de resultados por densidade de nós, carga de tráfego e tipo de protocolo.

6. Análise de dados

  1. Analise arquivos de rastreamento com scripts em Python para calcular a razão de entrega de pacotes, latência de ponta a ponta, throughput, consumo de energia por nó e vida útil da rede (tempo até a primeira morte do nó e 50% da morte do nó).
  2. Média dos resultados em cinco execuções e reporte-os como média ± intervalo de confiança de 95%.
  3. Aplique testes t pareados para dados normalmente distribuídos e testes de Wilcoxon por sinal e considere diferenças significativas em p < 0,05.

7. Orientação operacional para uso de software

  1. Execução do NS-2 e invocação do script Tcl
    1. Use o NS-2.35 para rodar cenários de simulação usando o arquivo Tcl fornecido (hybrid_protocol.tcl).
      Execute um único cenário:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      Flags: -nn (nós), -seed (seed), -traffic (cbr|bursty), -out (arquivo de rastreamento).
      Execução em lote: ./configs/run_experiment.sh
  2. Scripts Python para análise sintática de traços e extração métrica
    1. Analisar um traço
      Análise em Python/parse_ns2.py Traces/out_300_seed3.tr --O Results/metrics_300_3.csv
    2. Métricas agregadas
      Análise em Python/Resultados compute_metrics.py --Resultados Resumidos/summary_all.csv
    3. Gerar gráficos
      Análise em Python/Resultados de plot_metrics.py/summary_all.csv --Números de Saída/
  3. Treinamento e inferência NFDE
    1. Gerar dados de treinamento
      Python NFDE/anfis_train.py --gerar 15000 --fora de NFDE/training_data.csv
    2. Trem NFDE
      Python NFDE/anfis_train.py --Treine NFDE/training_data.csv ---Epochs 50 --LR 0.01 --Saída NFDE/nfde_model.PKL
    3. Executar inferência NFDE
      python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. Desfechos esperados

  1. Demonstrar desempenho superior do protocolo proposto em relação aos esquemasde linha base 6,7,13,14,17,24. Mantenha altas taxas de entrega de pacotes mesmo sob forte congestionamento, reduza a latência de ponta a ponta por meio de agendamento adaptativo e mantenha maior taxa de transferência controlando transmissões redundantes.
  2. Mostre melhor eficiência energética e maior vida útil da rede por meio de redução de retransmissões e distribuição equilibrada de carga.
  3. Destaque a adequação desse protocolo para WSNs habilitadas por IoT em serviços de saúde, IoT industrial e aplicações de cidades inteligentes, onde a entrega de dados em tempo hábil e confiável é crítica.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

O esquema PRAM era viável em um ambiente de rede de sensores sem fio com comunicação de salto único e tamanho limitado do buffer. Os experimentos foram realizados com diferentes taxas de tráfego, e o desempenho do esquema foi comparado com o tradicional Aloha e uma variante do Aloha baseado em árvore (T-Aloha) em termos de throughput, atraso médio de acesso e número médio de buffers não vazios. Os resultados demonstraram claramente que o esquema proposto alcançou desempenho superior em todas as métricas acima.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

Os resultados demonstram que o controle de congestionamento foi significativamente melhorado em redes de sensores sem fio habilitadas por IoT pela integração de agregação híbrida, agendamento adaptativo e adaptação neuro-fuzzy. Na verdade, o novo protocolo tem sido visto como alcançando melhor desempenho do que as linhas de base apenas de agregação, apenas escalonamento e PCCP em termos de entrega de pacotes, latência, throughput, eficiência energética e vida útil da rede em diferentes d...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores declaram que não possuem interesses financeiros concorrentes ou relacionamentos pessoais que possam ter influenciado o trabalho relatado neste manuscrito.

Agradecimentos

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

Os autores agradecem com gratidão o apoio prestado pela Universidade Vishwakarma, Pune, para instalações de pesquisa e assistência administrativa ao longo do desenvolvimento deste trabalho. Os autores também agradecem ao Departamento de Engenharia da Computação por fornecer a infraestrutura computacional necessária para simulação e análise. Essa pesquisa não recebeu nenhuma bolsa específica de qualquer agência financiadora dos setores público, comercial ou sem fins lucrativos. Grandes ferramentas para modelos de linguagem eram usadas exclusivamente para polimento e formatação de linguagem. Todo o conteúdo científico, métodos e análises foram desenvolvidos inteiramente pelos autores. Todo o texto gerado por meio de assistência de IA foi revisado e validado quanto à precisão.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Módulo Aqua-Sim (opcional)Repositório de Extensão NS2–Usado se cenários de WSN subaquáticos forem testados
Desktop/Laptop (Intel i5/AMD Ryzen 5, ≥ 8 GB de RAM, ≥ 20 GB de armazenamento)Disponível comercialmente–Usado para rodar todas as simulações
Compilador GNU C/C++, Tcl/TkRepositório Ubuntu–Necessário para compilar o NS-2
MATLAB R2022a (opcional)MathWorkshttps://www.mathworks.comUsado para modelagem ANFIS/fuzzy, se preferido
Simulador de Rede NS-2.35Projeto ISI/NS2https://www.isi.edu/nsnam/ns/Ambiente de simulação central
Resultados processados (.csv)Gerado neste estudo-Métricas computadas: PDR, atraso, throughput, energia, vida útil
Python 3.10 (NumPy, SciPy, Pandas, Matplotlib)Fundação de Software Pythonhttps://www.python.orgUsado para análise e plotagem
Scripts de análise em PythonGerado neste estudo-Scripts para analisar trilhas e gerar gráficos
Arquivos de rastreamento bruto NS-2 (.tr)Gerado neste estudo-Contêm transmissão em nível de pacote e eventos de energia
Arquivos de configuração de simulação (topologia, modelos de tráfego, sementes aleatórias)Gerado neste estudo-Necessário para replicar experimentos
Ubuntu Linux 22.04 LTSCanonical Ltd.https://ubuntu.comSistema operacional para NS-2

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Redes de IoTEscalonamento AdaptativoControlador Neuro FuzzyTaxa de Entrega de PacotesLat ncia de Ponta a PontaConsumo de EnergiaVida til da Rede
Vídeo em breve

Artigos relacionados