Методическая статья

Интеллектуальный механизм контроля пробок для беспроводных сенсорных сетей с поддержкой IoT, используя гибридную технику агрегации и планирования

DOI:

10.3791/69909

⸱

13 января 2026 г.

 ,  ,  ,  , 
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

В этой статье

Краткое содержание

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

Этот протокол вводит умный метод контроля пробок для WSN с поддержкой IoT, используя гибридную технику агрегации и планирования, дополненную нейро-нечеткой системой принятия решений. Предлагаемая система повышает доставку пакетов, задержку, пропускную способность и энергоэффективность, тем самым увеличивая срок службы сети и обеспечивая качество качества в случае переменных IoT-нагрузок.

Аннотация

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

Перегрузка в беспроводных сенсорных сетях (WSN) с поддержкой IoT снижает доставку пакетов, задержку и энергопотребление, нарушая работу сети, особенно при бурных и разнородных условиях трафика. Этот протокол иллюстрирует интеллектуальную технику контроля заторов, сочетающую гибридную агрегацию данных, адаптивное планирование и нейро-нечеткий движок принятия решений для эффективной обработки сетевой нагрузки. Метод включает сначала генерацию симуляционных данных, создание топологий с разной плотностью узлов и настройку паттернов трафика с использованием NS-2.35. Для каждого сценария получаются трассы пакетов для воспроизводимой оценки. Рабочий процесс протокола подразумевает сочетание двух механизмов: (1) гибридная агрегация, которая объединяет пакеты в окнах на основе времени и счёта при сохранении приоритетных меток, и (2) адаптивное планирование, которое обрабатывает очереди с двумя приоритетами через взвешенный круговой систему. Нейро-нечеткий контроллер всегда оценивает заполненность буфера, качество канала, использование канала, остаточную энергию и приоритет трафика. Используя эти данные, он регулирует глубину агрегации, веса очереди и решения о передаче с помощью нечеткого вывода и нейроадаптивного обучения. Задачи по измерению производительности включают расчёт коэффициента доставки пакетов, задержки от конца до конца, пропускной способности, энергопотребления на уровне узлов и срока службы сети. Статистический анализ проводится на нескольких этапах для проверки достоверности результатов. Этот подход показывает лучшую производительность в симуляции по сравнению с базовыми схемами. Этот протокол предлагает воспроизводимую основу для изучения гибридных методов контроля заторов, которые обеспечивают энергоэффективную, масштабируемую и ориентированную на качество обслуживания работу в средах WSN с поддержкой IoT.

Введение

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

Огромный рост Интернета вещей (IoT) потребовал развертывания миллиардов взаимосвязанных устройств, из которых беспроводные сенсорные сети (WSN) используются для мониторинга в реальном времени и поддержки принятия решений в большинствеслучаев 1,2. Эти сети становятся основой систем с поддержкой IoT в радикально разных областях, таких как мониторингздравоохранения 3,умные города 4, прецизионное сельскоехозяйство 5, промышленнаяавтоматизация 6 и экологическиесенсоры 7. WSN состоят из сенсорных узлов с ограниченными ресурсами, такими как пропускная способность, энергия и вычислительная мощность. Ограничения усугубляют проблему, поскольку IoT-трафик также очень динамичен и резкий, поэтому упомянутые сети очень подверженыперегрузке 8.

Этот протокол особенно актуален для средних и крупномасштабных развертываний IoT (150-750 узлов), которые создают смешанный периодический и импульсивный трафик при жёстких энергетических ограничениях. Подобные ситуации часто встречаются в мониторинге здравоохранения, сенсории умных городов и системах промышленной автоматизации, где всё равно необходимо обеспечить надёжную доставку и коммуникацию с низкой задержкой, несмотря на ограниченные ресурсыузлов 9.

Перегрузка в WSN может серьёзно снижать производительность сети различными способами, включая сбросы пакетов, увеличение задержек, снижение пропускной способности и ускоренное истощение энергии 8,10. В критически важных сценариях IoT, например, телемедицине или ликвидации последствий стихийных бедствий, задержка, вызванная заторами, или потеря пакетов может иметь фатальныепоследствия 11,12. Современные методы контроля заторов делятся с тремя основными категориями: схемы, основанные на трафике (ограничение скорости источника, контроль обратного давления)13,14, схемы на основе агрегации (внутрисетевая комбинация)15,16 и схемы, основанные на планировании (приоритетная очередь, распределение каналов)9,17. Таким образом, эти техники достигают определённого уровня успеха, но при самостоятельном использовании имеют недостатки. Например, методы на основе трафика часто ухудшают производительность приложений из-за неизбирательного снижения скоростей источника. Методы, основанные на агрегации, устраняют избыточность, но добавляют задержку в критически важные по времени потоки. Хотя стратегии, основанные на расписании, могут повысить уровень справедливости, они не могут эффективно функционировать без присутствия других высокотрафикныхнагрузок 6.

По сравнению с схемами только с трафиком, агрегацией и только планированием, гибридное нейро-нечеткое управление обеспечивает более сбалансированный компромисс между надёжностью доставки пакетов, задержкой и энергопотреблением. Совместная регулирование глубины агрегации и приоритета планирования на основе состояния сети в реальном времени предлагаемый подход эффективнее снижает перегрузку при больших и разнородных IoT-нагрузках18.

Мотивация для исследований
Беспроводные сенсорные сети с поддержкой IoT генерируют разнородный и часто срывообразный трафик, что делает их уязвимыми к перегрузке, переполнению очередей и чрезмерным повторным передачам. Существующие схемы, основанные на трафике, только агрегации или только планировании, не обеспечивают сбалансированного баланса между доставкой пакетов, задержкой и энергопотреблением при динамических условияхнагрузки 19,20. Вдохновлённый этими ограничениями, это исследование вводит гибридный протокол контроля заторов, который сочетает адаптивную агрегацию, планирование с учётом качества и нейро-нечеткое принятие решений, обеспечивая надёжную, осознающую задержки и энергоэффективную работу в плотных средах IoT-WSN.

Недавние исследования подчеркнули потенциал гибридных механизмов, сочетающих агрегацию и расписание для баланса пропускной способности, задержки и энергоэффективности21,22. Адаптивные методы с использованием нечеткой логики, обучения с подкреплением или нейро-нечеткого вывода дополнительно повышают отзывчивость к динамическим сетевымсостояниям 23,24,25,26. Однако большинство существующих методов зависят от статических порогов, увеличивают вычислительные нагрузки, которые не подходят для узлов с ограниченными ресурсами, и не являются устойчивыми к гетерогенным IoT-нагрузкам27,28. Поэтому спрос на интеллектуальные механизмы контроля пробок, которые будут лёгкими, адаптивными и способными реагировать на изменения трафика, при этом продлевая срок службы сети, остаётся очень высоким.

Проводились различные исследования для выявления надёжности, улучшения качества качества и безопасной обработки данных в WSN с поддержкой IoT. Энергоэффективные схемы обнаружения и восстановления неисправностей29,30 показали повышение устойчивости и сквозной производительности в меняющихсяусловиях 31. Лёгкие блокчейн-протоколы могут использоваться для дополнительной безопасности передачи данных в приложениях IoT-WSN. Внедрение иерархических методов обнаружения неисправностей на основе правил также помогает поддерживать QoS при развертывании датчиков с ограниченными ресурсами. Эти улучшения указывают на потребность в решениях для контроля заторов, которые можно интегрировать с надёжностью, безопасностью и эффективным использованием ресурсов в современных системах IoT.

Хотя методы контроля заторов для WSN были широко изучены, в основном существующие решения рассматривают только одноуровневые механизмы — один из них, регулирующий скорость трафика, агрегирование илипланирование 15. Однако рассматриваемый протокол обладает многоуровневым адаптивным механизмом, при котором гибридная агрегация, приоритетное планирование и нейро-нечеткое принятие решений совместно взаимодействуют и взаимно обновляются друг с другом непрерывно. В отличие от стандартных методов только fuzzy, NFDE использует нейроадаптивную настройку, управляемую ANFIS, что позволяет на лету менять функции членства и параметры правил в зависимости от реальных паттернов трафика. Предлагаемый протокол существенно отличается от других моделей благодаря интегрированной межслойной координации в сочетании с лёгкими вычислениями, подходящими для аппаратного обеспечения IoT.

До этой статьи было проведено множество исследований по перегрузке в WSN, что подтверждается многочисленными опросами, сообщающими о сотнях алгоритмов, решающих проблемы перегрузки на звене, переполнении буфера или средних уровнях конкуренции. Большинство решений разработаны для решения этих проблем на одном уровне протокола, в то время как проблема многоуровневого адаптивного контроля перегрузки почти не решаласьв 9,21. Текущие исследования заполняют этот пробел, сочетая адаптацию между слоями с лёгким нейро-фаззийным модулем для аппаратного обеспечения класса IoT.

Учитывая эти проблемы, исследования предложили интеллектуальный механизм контроля заторов, способный интегрировать гибридные методы агрегации и планирования с нейро-неясным движком принятия решений для IoT-готовых WSN. Компонент агрегации снижает избыточные передачи за счёт использования как временных, так и пакетных окнов. Компонент планирования гарантирует справедливость и соответствие QoS с помощью взвешенной круговой системы по двойным очередям для критических и некритических потоков. Нейро-нечеткий движок отслеживает основные переменные состояния сети, совместно буферизируя заполненность, использование каналов, остаточную энергию, качество канала и приоритет трафика. Используя правила нечеткого вывода, усиленные нейроадаптивным обучением, контроллер изменяет глубину агрегации, веса планирования и скорость передачи. Такая замкнутая система позволяет протоколу быть достаточно гибким в ситуациях перегрузки в реальном времени.

Мы сформулировали ключевые исследовательские вопросы, которые помогли нам определить масштаб и важность исследования, чтобы представить их ясно. Исследовательские вопросы, лежащие в основе исследования, следующие:
RQ1: Как гибридная агрегация и планирование могут эффективнее снизить перегрузку в WSN с поддержкой IoT, чем автономные методы?
RQ2: Какую роль играет нейро-нечеткий движок принятия решений в адаптации к состоянию сети при различных нагрузках трафика?
RQ3: Как предлагаемый протокол улучшает коэффициент доставки пакетов, задержку, пропускную способность и энергоэффективность по сравнению с традиционными схемами контроля заторов?
RQ4: Может ли предлагаемый протокол продлить срок службы сети, сохраняя QoS в различных IoT-приложениях?

Вклад этого исследования четырёхкратен. Основной аргумент — гибридная структура агрегирования и планирования с нейро-нечеткой адаптацией для контроля заторов в WSN с поддержкой IoT. Второй момент — реализует воспроизводимый фреймворк моделирования для тестирования производительности при различных размерах сети и интенсивности трафика. В-третьих, он показывает количественные улучшения в доставке пакетов, задержке, пропускной способности, энергоэффективности и сроке службы относительно базовых уровней. В конечном итоге она предлагает данные, конфигурационные файлы и скрипты анализа для открытости и воспроизводимости.

Различные методы контроля заторов, включая только нечеткое, только агрегированное, только расписание и основанные на DRL, имеют свои ограничения, которые предлагаемая работа решает за счёт использования многоуровневой адаптационно-гибридной агрегации, адаптивного планирования с двойной очередью и нейро-нечеткого движка принятия решений, всё это интегрировано в единую лёгкую и аппаратно-удобную структуру. В отличие от методов на основе ДХО, которые вычислительно затратны и требуют длительного сходимого процесса, предлагаемый нейро-фаззовый слой может выполнять операции почти в реальном времени при значительно меньшом энергозатрате и энергопотреблении процессора; поэтому он идеально подходит для узлов сенсоров класса IoT. Различные методы контроля заторов сравниваются в Таблице 1 вместе с предлагаемым методом.

Таблица 1: Сравнение существующих подходов к контролю заторов и предлагаемого метода. В этой таблице изложены наиболее важные особенности, преимущества и ограничения различных категорий методов контроля перегрузки в беспроводных сенсорных сетях, таких как методы только с нечеткостью, только с агрегацией, только с планированием и на основе DRL. В ней отмечается уникальность предлагаемого метода в сочетании гибридной агрегации, адаптивного приоритетного планирования и лёгкого нейро-нечеткого движка принятия решений, обеспечивающего многоуровневую адаптацию с низкими вычислительными затратами. Сравнение показывает, что введённый протокол способен достигать лучшего PDR, снижения задержек, сбалансированной пропускной способности и повышения энергоэффективности, при этом оставаться совместимым с устройствами IoT-WSN с ограниченными ресурсами. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Связанные работы
Недавние исследования по контролю заторов в беспроводных сенсорных сетях (WSN) с поддержкой IoT показывают, что одноуровневые методы — чистая агрегация, замедление трафика или планирование — недостаточны при неоднородных и резких нагрузках, вызывающих переполнение буфера, столкновения и серьёзные потери энергии¹-⁵. Гибридные схемы агрегирования и планирования приобрели популярность благодаря одновременному снижению избыточных передач и регулированию конкуренции при масштабировании плотности узлов 6,7,8,10. Кросс-уровневые варианты интегрируют маршрутизацию, кластеризацию и планирование на уровне MAC для стабилизации потоков конвергирования и смешанных QoS рабочихнагрузок 11, 12, 13, тогда как нечеткие или эвристические триггеры регулируют глубину агрегации и дисциплину обслуживания на основе локальных сигналовперегрузки 14, 15, 16. Методы софт-компьютинга дополнительно улучшают отзывчивость: нечеткие контроллеры выводят состояния очереди по заполненности буфера, качеству канала и повторнымпередачам 9,17,21; нейро-нечеткие системы усиливают это, изучая веса правил для многоцелевой оптимизации по коэффициенту доставки пакетов (PDR), задержке, пропускной способности иэнергопотреблению 22,23,24. В то же время подходы с глубоким подкреплением (DRL/RL) управляют управлением скоростью, кэшированием ипланированием 25,26,27,28, а генеративные/оптимизационные фреймворки меняют форму кластеров и маршрутов под стрессом, настраивая локальное поведение трафика²9. В рамках этих разнообразных подходов интеллектуальные гибриды стабильно превосходят статические методы, снижая выбросы очередей, стабилизируя окна борьбы, снижая задержки и повышая пропускную способность и энергоэффективность при различных условияхдвижения 8, 9, 12, 24, 25, 26, 27, 28, 29, 30,32,33,34.

Параллельная работа сосредоточена на повышении срока службы и QoS сети путём адаптации параметров контроля заторов к уровню энергии, условиям канала и приоритетам применения. Исследования показывают, что агрегирование коррелированных пакетов снижает количество передач, а адаптивное планирование минимизирует конфликты, простое прослушивание и столкновенныештормы 14, 17, 18, 27, 30, 32, 33, 34, 35, 36. Приоритетные механизмы защищают неотложный медицинский или промышленный трафик, одновременно контролируя некритическиетелеметрии 18, 32, 33, 35, а нечеткие/нейро-нечеткие маршрутизации, кластеризация и управление скоростью обеспечивают плавные колебания в сценариях высокойнагрузки 33, 18. Дополнительные достижения, такие как оптимизация маршрутизации37, кластеризации38 на базе искусственного интеллекта, а также долгосрочного картирования с учётом перегруженности39, а также интеллектуального обнаружения неисправностей40, защищённой коммуникации с поддержкойблокчейна 31 и энергоэффективного восстановления⁴1, подчеркивают растущую тенденцию к интегрированным и контекстно-ориентированным решениям по проблемам заторов. Несмотря на эти достижения, большинство существующих подходов всё ещё не имеют единой, лёгкой системы в реальном времени, способной совместно координировать агрегирование, планирование и интеллектуальную адаптацию в различных сферах IoT-нагрузки. Этот пробел мотивирует разработку интеллектуальной гибридной системы контроля заторов, которая использует нейро-нечеткое принятие решений для масштабируемой, QoS-ориентированной и энергоэффективной производительности в современных WSN-средах с поддержкой IoT.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

1. Настройка среды симуляции

  1. Установите Ubuntu 22.04 LTS на рабочую станцию с процессором Intel i5, 8 ГБ оперативной памяти и 20 ГБ памяти. Настройте компилятор GNU C/C++ и библиотеки Tcl/Tk для компиляции и запуска NS-2.35.
  2. Установите Python 3.10 вместе с NumPy, SciPy, Pandas и Matplotlib для анализа и построения графиков. Включите модули мониторинга энергии и очередей NS-2 для фиксации событий вычисления, снятия из очереди, сброса, доставки и энергопотребления.
  3. Выполняйте каждый эксперимент 5-кратно, используя независимые случайные семена для обеспечения воспроизводимости.
  4. Структурировать каталог симуляции в подпапки для конфигураций, скриптов, результатов и анализа, а также вести журналы Markdown для записи конфигураций и результатов.
    ПРИМЕЧАНИЕ: Все конфигурационные файлы TCL, скрипты реализации NFDE и утилиты анализа, используемые в процессе симуляции, размещены в дополнительном файле 1.

2. Топология сети и генерация трафика

  1. Генерируйте топологии беспроводной сенсорной сети с 150, 300, 450, 600 и 750 узлами, равномерно распределёнными в зоне развертывания 600 x 600 м².
  2. Инициализуйте каждый узел с энергией 25 Дж, дальностью передачи 75 м и пропускной способностью 250 кбит/с для представления устройств класса IoT.
  3. Разместите узел sink либо в центре, либо на границе сети, чтобы создать гетерогенные маршрутизирующие пути.
  4. Внедрить модели трафика, включающие периодические постоянные потоки скорости передачи данных со скоростью 1 пакет/с и события-управляемые всплески со скоростью 5-10 пакетов в секунду продолжительностью 20-30 с.
  5. Комбинируйте фоновый и высокоприоритетный трафик для проверки способности протокола различать и расставлять приоритеты потоков. Обобщённые параметры моделирования приведены в Таблице 2.
  6. Параметры конфигурации моделирования NS-2
    1. Протокол маршрутизации: Используйте ad hoc векторную маршрутизацию по требованию (AODV) для всех симуляций. Установите следующие ключевые параметры: интервал Hello: 1 с, тайм-аут активного маршрута: 3 с, старт/максимум TTL: 2 / 7 переходов.
      ПРИМЕЧАНИЕ: AODV выбран из-за лёгких накладных расходов на пакеты управления и пригодности для динамических топологий IoT/WSN.
    2. Конфигурация MAC: используйте протокол MAC IEEE 802.11 DCF (Функция распределенной координации). Установите следующие важные параметры: базовая скорость: 1 Мбит/с, скорость передачи данных: 250 кбит/с (скорость передачи данных класса WSN), RTS/CTS: отключена (соответствует типичным малоэнергопотребляющим настройкам WSN), CWmin = 31, CWmax = 1023, время слота = 20 мкс, SIFS = 10 мкс, DIFS = 50 мкс.
    3. Конфигурация очереди: Установите тип очереди как PriQueue для поддержки планирования с двойным приоритетом, длина очереди (длина IFQ) до 50 пакетов. Установите отображение очереди как трафик с высоким приоритетом в очередь 1, а обычный трафик — на очередь 2. Установить поведение очереди на DropTail, используемое для обработки переполнения.
    4. Модель распространения: выберите TwoRayGround для типичных открытых сред IoT/WSN, где потеря пути увеличивается с расстоянием. Установите параметры перекрёстной проверки модели: высота антенны: 1,5 м, коэффициент потерь системы: 1,0, минимальный порог приёмной мощности: −95 дБм.
    5. Модели интерфейсов и антенн: установите тип беспроводного интерфейса как Phy/WirelessPhy. Установите следующую конфигурацию сетевого интерфейса: тип очереди интерфейса: Queue/DropTail/PriQueue, сетевой интерфейс: CMUPriQueue для приоритетного сервиса. Установите модель антенны как Antenna/OmniAntenna, так как она отражает типичные датчики (MicaZ, TelosB и др.).
    6. Длина и размер пакета IFQ: установите длину очереди интерфейса (IFQLength) на 50 пакетов, чтобы обеспечить перегрузку на реальных пиках трафика. Установите следующие параметры размера пакета: стандартный CBR-пакет: 512 байт, заголовок MAC: ~36 байт, управляющий пакет AODV: ~32 байта. Установите порог фрагментации на None (фрагментация отключена).
    7. Настройки канала: установите тип канала на Channel/WirelessChannel, частоту на диапазон ISM 2,4 ГГц (распространённая IoT-частота), полосу пропускания на 250 кбит/с, а дуплексирование — на полудуплекс. Установите параметры уровня связи: начальная энергия: 25 Дж, мощность передачи: 0,66 Вт, мощность приёма: 0,395 Вт, мощность холостого хода: 0,035 Вт и мощность сна: 0,003 Вт. Установите уровень шума на уровне −100 дБм и порог ощущения несущей (CST) на −94 дБм.

Таблица 2: параметры моделирования NS-2.35, используемые для оценки предлагаемого протокола контроля заторов. В этой таблице собраны все конфигурации моделирования в NS-2.35, такие как размер области развертывания, плотность узлов, параметры, связанные с энергопотреблением, конфигурации MAC и маршрутизации, структура очереди, модель распространения, размер пакета и пороги управления. Параметры обеспечивают полную воспроизводимость экспериментальной среды для сравнения производительности гибридных, агрегационных, только планируемых и базовых схем контроля заторов. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

3. Архитектура методологии

  1. Спроектировать предлагаемый протокол с помощью интеграции гибридной агрегации, адаптивного планирования и нейро-нечеткого движка принятия решений.
  2. Реализовать гибридную агрегацию для объединения пакетов в окнах по времени или с подсчётом пакетов, сохраняя приоритетные теги для критического трафика.
  3. Используйте адаптивное планирование для управления двумя очередями — одной для критических и одной для некритических потоков, а также применяйте взвешенное круговое планирование с динамически регулируемыми весами очереди.
  4. Используйте нейро-нечеткий движок принятия решений для мониторинга заполнения буфера, использования каналов, остаточной энергии, качества канала и приоритета трафика.
  5. Сопоставьте эти входные данные в нечеткие функции членства, применяйте правила вывода для оптимизации глубины агрегации и весов планирования, а также тонко настраивайте решения системы с помощью нейроадаптивного обучения.
    1. Структура модели NFDE: Реализовать Neuro-Fuzzy Decision Engine (NFDE) как адаптивную систему нейро-нечеткого вывода (ANFIS) первого порядка Sugeno с пятью входными переменными и тремя параметрами управления выходом. Система использует пятиуровневую архитектуру
      Слой 1 — Нечеткое нечеткое значение датчика в степени принадлежности.
      Слой 2 — Сила выстрела по правилам: вычисляет силу зажигания правил с помощью выведения произведения.
      Слой 3 — Нормализация: Нормализует силу стрельбы.
      Слой 4 — Линейные выходные термины: Генерирует взвешенные линейные выходы.
      Слой 5 — Агрегация выходов: объединяет результаты для получения глубины агрегации, веса планирования и корректировки скорости передачи.
      Каждое правило имеет форму: Если (B — это X1) и (C — это X2) и (E — это X3) и (LQI — это X4) и (P — это X5) → f = p1· B + p2· C + p3· E + p4· LQI + p5· P + p0.
      Модель содержит 15–25 правил в зависимости от ограничений сложности.
    2. Входные и выходные переменные
      1. Установите 5 входных переменных, а именно: b uffer occupancy (B) — отношение длины текущей очереди к длине IFQ (0-1), c использование hannel (C) — доля времени занятости MAC (0-1), r эсидуальная энергия (E) — оставшаяся энергетическая доля (0-1), индикатор качества чернил l (LQI) — нормализованная вероятность успеха соединения (0-1), и t raffic priority (P) с 1.0 как критическим и 0.0 как некритическим.
      2. Установите 3 выходных переменных, а именно: глубина агрегации (A*) — рекомендуемое количество пакетов для агрегирования (диапазон 1-6), вес чедуляции s (W*) — вес, назначенный очереди с высоким приоритетом (0.3-0.8), корректировка r ate (R*) — масштабирование скорости передачи (от −20% до +10%).
    3. Все входы используют треугольные или трапециевидные функции принадлежности, определённые в диапазоне 0 - 1. Установите функции пожара m следующим образом с числовыми диапазонами.
      Заполненность буфера (B) - Минимальная: trapmf (0,0, 0,0, 0,20, 0,40), средняя — trimf (0,30, 0,50, 0,70), максимальная: trapmf (0,60, 0,80, 1,0, 1,0)
      Загрузка канала (C) - Минимальная: тримф (0.0, 0.15, 0.30), Средний: тримф (0.25, 0.50, 0.75), Максимальный: тримф (0.70, 0.85, 1.0)
      Остаточная энергия (E) - Высокая: trapmf (0,70, 0,80, 1,0, 1,0), средняя — trimf (0,40, 0,55, 0,70), минимальная: trapmf (0,0, 0,0, 0,30, 0,50)
      Индикатор качества канала (LQI) — Хорошо: trapmf (0.70, 0.80, 1.0, 1.0), умеренное: trimf (0.40, 0.55, 0.70), плохое: trapmf (0.0, 0.0, 0.30, 0.45)
      Приоритет трафика (P) — Некритический: trimf(0.0, 0.0, 0.1), критический: trimf(0.9, 1.0, 1.0)
      Функции принадлежности выхода — поскольку Sugeno ANFIS использует чёткие линейные выходы:
      A* (глубина агрегации) = a1·входы + a0, обрезано до [1,6], W* (приоритетный вес) = w1·входы + w0, обрезано до [0,3,0,8], R* (коэффициент скорости) = r1·входы + r0, обрезано до [−0,20, +0,10]
    4. Формулировка базы правил: Полная база правил обычно включает 15–25 правил , в зависимости от вычислительных пределов. Установим типичное подмножество правил как
      Если B = высокое И C = высокое → уменьшать A*, увеличивать W*, уменьшать R*
      Если B = среднее И E = высокое И P = критическое → умеренное A*, увеличить W*
      Если LQI = плохой → увеличить A* (чтобы уменьшить повторные передачи)
      Если E = низкое → уменьшать R*, уменьшать A* (энергосохранение)
      Если C = низкое И P = критическое → установить W* высокое
      Если B = высокий И LQI = хорошо → уменьшить A*, увеличить R*
      ПРИМЕЧАНИЕ: Особенность системы нейро-нечетких правил. Система нечетких правил отличается от традиционных схем контроля заторов двумя аспектами:
      Мультивходная связь: она совместно учитывает заполненность очереди, использование каналов, глубину агрегации и метрики приоритета пакетов, редко объединяемые в существующих нечетких контроллерах WSN.
      Нейроадаптивная настройка правил: начальные правила определяются экспертами, но затем оптимизируются с помощью обучения ANFIS, обновляя силу правил и выходные параметры для соответствия реальным условиям сети. Используемые представительные правила включают:
      Если заполненность очередей высокая, А загрузка каналов высокая, ТОГДА уменьшайте скорость передачи и увеличивайте глубину агрегации.
      ЕСЛИ заполненность очереди средняя И приоритет высок, ТОГДА увеличивайте вес расписания.
      ЕСЛИ остаточная энергия низкая, ТО ограничить повторные передачи и снизить давление в очереди.
      Эти динамические корректировки правил обеспечивают более оперативное снижение заторов по сравнению со статическими нечеткими системами.
    5. Определить и настроить функции и правила членства. Во-первых, настройте функции нечеткой принадлежности на основе эмпирических диапазонов смоделированных NS-2 тенденций, проведённых в предварительном исследовании. К этим тенденциям относятся заполненность буферов, использование каналов, остаточная энергия и распределение LQI. Затем корректируйте эти функции членства с помощью процедуры обучения ANFIS, где градиентный спуск используется для оптимизации как границ MF, так и выходных параметров Sugeno. Сделайте начальную нечеткую основу правил на основе экспертных эвристик. После этого тренируйте нейроадаптивную систему до тех пор, пока веса и параметры правил не будут обновлены с учётом репрезентативных дорожных паттернов, что позволит их настраивать.
    6. Оцените вычислительный след NFDE, чтобы определить, подходит ли он для сенсорных узлов класса IoT. Отслеживайте время вывода, которое обычно составляет около 1,2-1,8 мс на микроконтроллере Cortex-M4 на частоте 72 МГц. Убедитесь, что потребление памяти для всех функций членства и параметров правил не превышает 40 КБ. Выполняйте все ANFIS-тренировки офлайн и не на сенсорных узлах. Чтобы сохранить адаптивность в реальном времени при очень низкой вычислительной нагрузке, при развертывании следует использовать только лёгкую часть вывода.
    7. Процедура обучения: Обучать NFDE офлайн с помощью гибридного алгоритма ANFIS
      Прямой проход (оценка наименьших квадратов): Определяет линейные параметры правил Сугено.
      Обратный проход (градиентный спуск): обновляет нелинейные параметры MF.
      1. Параметры обучения устанавливаются как размер обучающего набора данных: 15 000 выборок, сгенерированных из смоделированных состояний трафика, Эпохи: 50, Скорость обучения (α): 0,01, Толерантность к ошибкам: 1 x 10 ⁻⁴, Ранняя остановка: 3 последовательных эпохи без улучшения, Цель оптимизации: минимизировать RMSE между выходом NFDE и профилями управления на земле.
  6. Засор выявляется как по показателям состояния, так и по субсостоянию. Различайте перегрузку на уровне узлов, проверяя уровень заполнения очередей, скорость роста очередей и события сброса пакетов, когда IFQ приближается к пределу своей пропускной способности. Вывести заторы на уровне канала за счет устойчивого увеличения времени загруженности MAC, длительных интервалов отката и увеличения вероятности столкновений. Эти сигналы постоянно поступают на нейро-нечеткий механизм принятия решений, который определяет степень перегрузки и устанавливает автономные меры управления.
  7. После обнаружения пробок NFDE расширяет агрегацию, снижая передачу пакетов, перестраивая веса планирования с учётом критической важности трафика и снижая скорость передачи для нормализации очереди. Держите механизм обнаружения отдельно от уровня приложений, чтобы обработка перегрузок сохранялась даже при другом типе трафика.
  8. Обновляйте параметры каждые 1-2 секунды для почти реального времени отзывчивости. Используйте таблицу 3 для ссылки на параметры функции принадлежности, выходные диапазоны и репрезентативные нечеткие правила, применяемые в движке Neuro-Fuzzy Decision Engine. Обратитесь к числовым значениям MF, границам выхода Sugeno и примерам правил принятия решений, чтобы точно воспроизвести поведение контроллера при выводе и адаптации.
  9. Проведите анализ в четыре основных этапа:
    Настройка: подготовьте инструменты анализа NS-2.35 на Python и генерируйте топологии сети и паттерны трафика.
    Настройка параметров: Настройка глубины агрегации, весов планирования, параметров очереди интерфейса, функций членства в NFDE и настроек обучения.
    Выполнение симуляции: Запуск всех сценариев с разными плотностями узлов и загрузкой трафика, сбор полных файлов трассировки NS-2 и логирование событий ключей, включая вычисление в очередь, снятие из списка, сброс, доставку и состояния энергии.
    Анализ: Извлечение метрик PDR, задержки, пропускной способности, энергии и срока службы с помощью скриптов на Python и вычисление статистической значимости по базовым значениям.
    ПРИМЕЧАНИЕ: Этот рабочий процесс обеспечивает чёткую, воспроизводимую последовательность от конфигурации до анализа и иллюстрируется на рисунке 1.

Таблица 3: Функции нечеткой принадлежности, диапазоны выходов и представительные правила, используемые в нейро-нечетком движке решений. Все пять входных переменных имеют треугольные и трапециевидные функции принадлежности, и таблица приводит точные числовые параметры для них. В таблице также указаны рабочие диапазоны для выходов типа Sugeno. Репрезентативные нечеткие правила демонстрируют, как система интерпретирует условия сети для регулировки глубины агрегации, весов планирования очереди и масштабирования скорости передачи. Среди параметров воспроизводимости — количество MF, размер набора правил, скорость обучения и интервал обновления, которые обеспечивают прямое воспроизведение NFDE. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Рисунок 1
Рисунок 1: Архитектура интеллектуального протокола контроля пробок для беспроводных сенсорных сетей с поддержкой IoT. Комплексный интегрированный рабочий процесс политики гибридного контроля заторов изображен на этой схеме. Измерения состояния сети — заполненность буфера, использование канала, остаточная энергия, качество канала и приоритет трафика — подаются в слой функции членства и в Neuro-Fuzzy Decision Engine, который затем генерирует адаптивные переменные управления, такие как глубина агрегации, вес планирования и корректировка скорости передачи. Эти переменные управляют гибридным модулем агрегации и модулем адаптивного планирования, что позволяет совместно оптимизировать метрики трафика: более высокий коэффициент доставки пакетов, меньшую задержку, снижение энергопотребления и продлённый срок службы сети. Сокращения: NF = Neuro-fuzzy, PDR = коэффициент доставки пакетов, WRR = взвешенный круговой систем, WSN = беспроводная сенсорная сеть, IoT = Интернет вещей, AQM = активное управление очередью (если применимо), RSSI = индикатор силы принятого сигнала (если применимо). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

4. Детали набора данных

ПРИМЕЧАНИЕ: Набор данных симуляции, использованный в этом исследовании, был создан внутри среды NS-2.35 и не хранится в публичном репозитории из-за ограничений по размеру файла. Однако все конфигурационные файлы, TCL-скрипты, код NFDE и скрипты анализа на Python, необходимые для воспроизведения набора данных, доступны публично в следующем репозитории GitHub: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. Исследователи могут восстановить полный набор данных, выполняя предоставленные конфигурационные файлы и скрипты. Дополнительные файлы данных могут быть предоставлены авторами при разумном запросе.

  1. Подготовьте набор данных, сгенерируя конфигурационные файлы, случайные списки семя, сырые файлы трассировки NS-2, обработанные результаты CSV и скрипты на Python для разбора трасс и визуализации.
  2. Уточнение исходного кода набора данных:
    1. Генерируйте весь набор данных с помощью платформы симуляции NS-2.35, а не получайте его из внешних или публичных репозиториев.
    2. Настройте NS-2.35 для вывода необработанных трассовых файлов для каждого запуска симуляции, включая выведение в очередь, снятие из списка, сброс, доставку, MAC-события и энергетические журналы на уровне узлов.
    3. Создавать все топологии, паттерны движения и параметры программно в рамках рабочего процесса симуляции. Убедитесь, что каждый сценарий генерирует примерно 20 МБ необработанных трассировочных данных и храните все экспериментальные результаты в каталоге проекта.
    4. Обрабатывайте эти трассирующие файлы с помощью скриптов на Python для извлечения коэффициента доставки пакетов, задержки, пропускной способности, энергопотребления и метрик службы сети.
    5. В этом исследовании не используются сторонние или внешние наборы данных.
  3. Охватит 75 сценариев по плотности узлов, интенсивности трафика и случайным сидам.
  4. Ожидайте примерно 20 МБ сырых трассировочных данных и 1-2 МБ обработанных результатов на сценарий, что даст общий объём набора данных примерно 2 ГБ.

5. Выполнение симуляции

  1. Запускайте каждую симуляцию по 900 секунд. Сравните предлагаемый протокол с тремя альтернативами: схемой только агрегации, схемой только планирования и базовой схемой PCCP.
  2. Используйте одинаковые сетевые топологии и случайные сиды во всех протоколах для обеспечения сопоставимости. Собирайте файлы трассировки из каждого запуска и организуйте их в каталоге результатов по плотности узлов, загрузке трафика и типу протокола.

6. Анализ данных

  1. Анализируйте трассирующие файлы с помощью скриптов на Python для вычисления коэффициента доставки пакетов, задержки от конца до конца, пропускной способности, энергопотребления на узел и срока службы сети (время до первой смерти узла и 50% гибели узла).
  2. Средние результаты по пяти забегам и сообщайте их как средние ± 95% доверительном интервале.
  3. Применяйте парные t-тесты для нормально распределённых данных и тесты с знаковым рангом Уилкоксона в противном случае и рассматривайте различия значимые при p < 0,05.

7. Операционное руководство для использования программного обеспечения

  1. Выполнение NS-2 и вызов скриптов Tcl
    1. Используйте NS-2.35 для запуска сценариев симуляции с использованием предоставленного файла Tcl (hybrid_protocol.tcl).
      Проведите один сценарий:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      Флаги: -nn (узлы), -seed (seed), -traffic (cbr|bursty), -out (trace file).
      Пакетное выполнение: ./configs/run_experiment.sh
  2. Скрипты Python для разбора трасс и экстракции метрик
    1. Разбор следа
      Python analysis/parse_ns2.py traces/out_300_seed3.tr --o results/metrics_300_3.csv
    2. Агрегированные метрики
      Анализ Python/compute_metrics.py результаты — сводные результаты/summary_all.csv
    3. Генерировать графики
      Анализ Python/plot_metrics.py результаты/summary_all.csv --выходные рисунки/
  3. Обучение и выводы NFDE
    1. Генерируйте обучающие данные
      Python nfde/anfis_train.py --generate 15000 --out nfde/training_data.csv
    2. Поезд NFDE
      Python NFDE/anfis_train.py --Train NFDE/training_data.csv --Epochs 50 --LR 0.01 --Out NFDE/nfde_model.pkl
    3. Запустить вывод NFDE
      python nfde/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. Ожидаемые результаты

  1. Продемонстрировать превосходящую производительность предлагаемого протокола по сравнению с базовымисхемами 6, 7, 13, 14, 17, 24. Поддерживать высокие коэффициенты доставки пакетов даже при сильной перегрузке, снижать сквозную задержку с помощью адаптивного планирования и поддерживать более высокую пропускную способность за счёт контроля резервных передач.
  2. Продемонстрировать повышение энергоэффективности и более длительный срок службы сети за счёт уменьшения количества повторных передач и сбалансированного распределения нагрузки.
  3. Обратите внимание на пригодность этого протокола для WSN с поддержкой IoT в здравоохранении, промышленных IoT и умных городах, где крайне важна своевременная и надёжная доставка данных.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Схема PRAM была реализуема в среде беспроводной сенсорной сети с одноразовой коммуникацией и ограниченным размером буфера. Эксперименты проводились с разными скоростями трафика, а производительность схемы сравнивалась с традиционной Aloha и вариантом древесной Aloha (T-Aloha) по пропускной способности, средней задержке доступа и среднему числу непустых буферов. Результаты ясно показали, что предлагаемая схема достигла превосходных показателей по всем вышеуказанным показателям.

Чтобы чётко пока...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Результаты показывают, что контроль заторов значительно улучшился в беспроводных сенсорных сетях с поддержкой IoT благодаря интеграции гибридной агрегации, адаптивного планирования и нейро-нечеткой адаптации. Фактически, новый протокол показал лучшую производительность, чем базы только агрегации, только планирования и PCCP, по показателям доставки пакетов, задержки, пропускной способности, энергоэффективности и срока службы сети при различных плотностях узлов и условиях трафика. Фактичес...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторы заявляют, что у них нет конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на работу, описанную в этой рукописи.

Благодарности

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

Авторы с благодарностью выражают признательность за поддержку, оказанную Университетом Вишвакармы в Пуне для исследовательских учреждений и административной помощи на протяжении всей разработки этой работы. Авторы также благодарят кафедру компьютерной инженерии за предоставление вычислительной инфраструктуры, необходимой для моделирования и анализа. Это исследование не получило конкретного гранта от каких-либо фондов в государственном, коммерческом или некоммерческом секторе. Инструменты больших языковых моделей использовались исключительно для полировки и форматирования языка. Весь научный контент, методы и анализы были полностью разработаны авторами. Весь текст, сгенерированный с помощью ИИ, был проверен и проверен на точность.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Модуль Aqua-Sim (опционально)Репозиторий расширения NS2–Используется при тестировании сценариев WSN под водой
Настольный компьютер/ноутбук (Intel i5/AMD Ryzen 5 и GE; 8 ГБ оперативной памяти, ≥ 20 ГБ памяти)Коммерчески доступно–Используется для запуска всех симуляций
Компилятор GNU C/C++, Tcl/TkUbuntu repository–Требуется для компиляции NS-2
MATLAB R2022a (опционально)MathWorkshttps://www.mathworks.comИспользуется для ANFIS/нечеткого моделирования, если предпочитает
Сетевой симулятор NS-2.35Проект ISI/NS2https://www.isi.edu/nsnam/ns/Основная среда симуляции
Обработанные результаты (.csv)Сгенерировано в данном исследовании-Вычисленные метрики: PDR, задержка, пропускная способность, энергия, срок службы
Python 3.10 (NumPy, SciPy, Pandas, Matplotlib)Фонд программного обеспечения Pythonhttps://www.python.orgИспользуется для анализа и построения графиков
Скрипты анализа PythonСгенерировано в данном исследовании-Скрипты для разбора трасс и генерации графиков
Raw NS-2 трассировочные файлы (.tr)Сгенерировано в данном исследовании-Содержать передачу и энергетические события на уровне пакетов
Конфигурационные файлы симуляции (топология, модели трафика, случайные семена)Сгенерировано в данном исследовании-Требуется для повторения экспериментов
Ubuntu Linux 22.04 LTSCanonical Ltd.https://ubuntu.comОперационная система для NS-2

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

IoT
Видео скоро будет доступно

Похожие статьи