Yöntem makalesi

Hibrit toplama ve zamanlama tekniği kullanarak IoT özellikli kablosuz sensör ağları için akıllı tıkanıklık kontrol mekanizması

DOI:

10.3791/69909

⸱

13 Ocak 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

Bu makalede

Özet

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

Bu protokol, IoT destekli WSN için, hibrit bir toplama ve zamanlama tekniği kullanarak ve nöro-bulanık bir karar katmanı ile tamamlanan akıllı bir tıkanıklık kontrol yöntemi sunar. Önerilen sistem, paket teslimatını, gecikmesini, veri verimliliğini ve enerji verimliliğini artırarak ağ ömrünü artırırken değişken IoT iş yüklerinde QoS sağlar.

Özet

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

IoT destekli kablosuz sensör ağlarındaki (WSN'ler) tıkanıklık, paket teslimatını, gecikmeyi ve enerji kullanımını zayıflatarak ağı, özellikle patlayıcı ve heterojen trafik koşullarında olumsuz etkiler. Bu protokol, hibrit veri toplama, uyarlanabilir zamanlama ve nöro-bulanık karar motorunu birleştirerek ağ yükünü verimli bir şekilde yöneten akıllı bir tıkanıklık kontrol tekniğini gösterir. Yöntem, önce simülasyon verisi oluşturmayı, farklı düğüm yoğunluklarının topolojilerini oluşturmayı ve NS-2.35 kullanılarak trafik desenlerinin oluşturulmasını içerir. Her senaryo için tekrarlanabilir değerlendirme sağlamak amacıyla paket izleri elde edilir. Protokol iş akışı, iki mekanizmanın birleşimini ifade eder: (1) zaman ve sayıya dayalı pencerelerde paketleri birleştiren ve öncelik etiketlerini koruyan hibrit toplama ve (2) ağırlıklı round robin ile çift öncelikli kuyrukları yöneten adaptif zamanlama. Bir nöro-bulanık kontrolör her zaman tampon doluluğunu, bağlantı kalitesini, kanal kullanımını, kalıntı enerjiyi ve trafik önceliğini değerlendirir. Bu girdileri alarak, bulanık çıkarım ve nöro-adaptif öğrenme yoluyla toplama derinliği, kuyruk ağırlıkları ve iletim kararlarını düzenler. Performans ölçüm görevleri, paket teslimat oranı, uçtan uca gecikme, veri kapasitesi, düğüm düzeyinde enerji tüketimi ve ağ ömrünün hesaplanmasını içerir. Sonuçların güvenilirliğini kontrol etmek için birden fazla deneme boyunca istatistiksel analizler yapılır. Bu yaklaşım, temel şemalara kıyasla simülasyonda daha iyi performans göstermektedir. Bu protokol, IoT destekli WSN ortamlarında enerji verimli, ölçeklenebilir ve QoS farkında çalışmayı mümkün kılan hibrit tıkanıklık kontrol yöntemlerini keşfetmek için tekrarlanabilir bir çerçeve sunar.

Giriş

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

Nesnelerin İnterneti'nin (IoT) büyük büyümesi, milyarlarca birbirine bağlı cihazın kurulmasını gerektirmiştir; bunlardan kablosuz sensör ağları (WSN) çoğu durumda gerçek zamanlı izleme ve karar desteği sağlamakiçin kullanılır 1,2. Bu ağlar, sağlık izleme3, akıllışehirler 4, hassas tarım5, endüstriyel otomasyon6 ve çevreselalgılama 7 gibi radikal farklı alanlarda IoT destekli sistemlerin temel yapıları haline gelir. WSN'ler, bant genişliği, enerji ve hesaplama gücü gibi sınırlı kaynaklara sahip sensör düğümlerinden oluşur. Kısıtlamalar sorunu daha da kötüleştirir çünkü IoT trafiği de çok dinamik ve patlayıcıdır, bu nedenle bahsedilen ağlar tıkanıklığakarşı oldukça hassastır 8.

Bu protokol, özellikle sıkı enerji kısıtlamaları altında karışık periyodik ve patlayıcı trafik üreten orta ve büyük ölçekli IoT dağıtımları (150-750 düğüm) için geçerlidir. Bu tür durumlar, sağlık izleme, akıllı şehir algılama ve endüstriyel otomasyon sistemlerinde çok sık görülebilir; burada nodes9'un sınırlı kaynaklarına rağmen güvenilir teslimat ve düşük gecikmeli iletişimi sağlamak hâlâ gereklidir.

WSN'lerdeki tıkanıklık, paket düşüşleri, artan kuyruk gecikmeleri, düşük veri kapasitesi ve hızlandırılmış enerji tükenmesi gibi çeşitli yöntemlerle ağ performans kapasitesini ciddi şekilde engelleyebilir. Görev açısından kritik IoT senaryolarında, örneğin teletıp veya afet yardımı, tıkanıklık nedeniyle gecikme veya paket kaybı ölümcül sonuçlardoğurabilir 11,12. Mevcut tıkanıklık kontrol yöntemleri üç ana kategoriye sahiptir: trafik tabanlı şemalar (kaynak hızı sınırlandırma, geri basınç kontrolü)13,14, toplama tabanlı şemalar (ağ içi veri kombinasyonu)15,16 ve zamanlama tabanlı şemalar (öncelik kuyruklama, kanal tahsisi)9,17. Bu nedenle, bu teknikler belirli bir başarı seviyesine ulaşır ancak tek başına kullanıldığında eksiklikleri de vardır. Örneğin, trafik tabanlı yöntemler, kaynak hızlarının seçici olmayan bir şekilde düşürülmesi nedeniyle uygulama performansını genellikle düşürür. Toplama tabanlı yöntemler gereksizliği ortadan kaldırır ancak zaman kritik akışlara gecikme ekler. Programlama tabanlı stratejiler adaleti artırabilirken, diğer yüksek trafik yükleri olmadan etkili bir şekildeçalışamazlar 6.

Sadece trafik, sadece toplama ve sadece zamanlama tabanlı şemalarla karşılaştırıldığında, hibrit nöro-bulanık kontrol, paket teslimat güvenilirliği, gecikme ve enerji tüketimi arasında daha dengeli bir denge sağlar. Gerçek zamanlı ağ durumuna dayalı toplama derinliği ve zamanlama önceliğini birlikte düzenleyerek, önerilen yaklaşım, yoğun ve heterojen IoT iş yükleri altında yoğunluğu daha etkiliazaltmaktadır 18.

Araştırma motivasyonu
IoT destekli kablosuz sensör ağları heterojen ve çoğu zaman patlayan trafik üretir, bu da onları tıkanıklık, kuyruk taşması ve aşırı yeniden iletimlere karşı savunmasız kılar. Mevcut trafik tabanlı, sadece toplama veya sadece planlama tabanlı sistemler, dinamik yük koşullarında paket teslimatı, gecikme ve enerji tüketimi arasında dengeli bir denge sağlamaz.19,20. Bu sınırlamalarla motive edilen bu çalışma, yoğun IoT-WSN ortamlarında güvenilir, gecikme farkında ve enerji verimli performans sağlamak için uyarlanabilir toplama, QoS farkında zamanlama ve nöro-bulanık karar alma süreçlerini birleştiren hibrit bir tıkanıklık kontrol protokolü tanıtmaktadır.

Son çalışmalar, toplama ve zamanlamayı birleştirerek veri verimliliği, gecikme ve enerji verimliliğini dengeleyen hibrit mekanizmalarınpotansiyelini ortaya koymuştur 21,22. Bulanık mantık, pekiştirici öğrenme veya nöro-bulanık çıkarım kullanan uyarlanabilir yöntemler, dinamik ağdurumlarına duyarlılığı daha da artırır 23,24,25,26. Ancak mevcut yöntemlerin çoğu statik eşiklere dayanır, kaynak kısıtlı düğümler için uygun olmayan hesaplama yükünü artırır ve heterojen IoT iş yükleri altında sağlamdeğildir 27,28. Bu nedenle, hafif ve uyum sağlayabilen ve trafik değişikliklerine tepki verebilen ağ ömrünü uzatabilen akıllı tıkanıklık kontrol mekanizmalarına olan talep hâlâ çok yüksektir.

IoT destekli WSN'lerde güvenilirlik, QoS geliştirme ve güvenli veri işleme özelliklerini ortaya çıkarmak için çeşitli çalışmalar yapılmıştır. Enerji duyarlı arıza tespit ve kurtarmaşemaları 29,30, değişen ortamlarda dayanıklılığı ve uçtan uca performansı artırdığıbulunmuştur 31. Hafif blokzincir protokolleri, IoT-WSN uygulamalarında veri iletişimini daha da güvence altına almak için kullanılabilir. Hiyerarşik kural tabanlı hata tespit yöntemlerinin uygulanması, kaynak kısıtlı sensör dağıtımında QoS'un sürdürülmesine de yardımcı olur. Bu iyileştirmeler, modern IoT sistemlerinde güvenilirlik, güvenlik ve kaynakların verimli kullanımıyla entegre edilebilecek tıkanıklık kontrol çözümlerine olan talebi ortaya koyuyor.

WSN'ler için tıkanıklık kontrol teknikleri geniş çapta araştırılmış olsa da, mevcut çözümler çoğunlukla yalnızca tek katmanlı mekanizmaları - trafik hızı ayarlaması, toplama veya zamanlama15 gibi mekanizmleri dikkate alır. Ancak söz konusu protokol, hibrit toplama, öncelik farkında zamanlama ve nöro-bulanık karar vermenin birlikte etkileşime girip karşılıklı olarak sürekli olarak güncellendiği çok katmanlı adaptif bir mekanizmaya sahiptir. Standart bulanık yöntemlerin aksine, NFDE ANFIS yönlendirmeli nöro-adaptif ayarlama kullanır; böylece üyelik fonksiyonlarında ve kural parametrelerinde gerçek trafik desenlerine bağlı olarak anında değişiklikler yapılmasına olanak tanır. Önerilen protokol, bu entegre katmanlar arası koordinasyon ve IoT donanımı için uygun hafif bir hesaplama sayesinde diğer modellerden önemli ölçüde farklıdır.

Bu makaleden önce, WSN'lerdeki tıkanıklık üzerine çok sayıda araştırma yapılmış olup, bağlantı, tampon taşması veya orta çekişme seviyelerindeki tıkanıklığı ele alan yüzlerce algoritma rapor eden çok sayıda anketle kanıtlanmıştır. Çözümlerin çoğu, bu sorunları tek bir protokol katmanında ele almak için tasarlanmışken, çok katmanlı adaptif tıkanıklık kontrolü sorunu neredeyse hiç elealınmamıştır 9,21. Mevcut araştırma, katmanlar arası adaptasyonu IoT sınıfı donanım için hafif bir nöro-fuzzy modülü ile birleştirerek boşluğu doldurmaktadır.

Bu sorunlar göz önüne alındığında, araştırma, hibrit toplama ve zamanlama tekniklerini IoT-hazır WSN'ler için nöro-bulanık karar motoruyla entegre edebilen akıllı bir tıkanıklık kontrol mekanizması ortaya koydu. Toplama bileşeni, hem zaman tabanlı hem de paket sayımı pencerelerinin kullanımıyla gereksiz iletimi azaltır. Zamanlama bileşeni, kritik ve kritik olmayan akışlar için çift kuyruk arasında ağırlıklı yuvarlak robin ile adalet ve QoS uyumluluğunu garanti eder. Nöro-bulanık motor, ana ağ durum değişkenlerini takip eder; doluluğu, kanal kullanımı, kalan enerji, bağlantı kalitesi ve trafik önceliğini ortaklaşa tampon eder. Nöro-adaptif öğrenme ile geliştirilen bulanık çıkarım kuralları kullanarak, kontrolör toplama derinliğini, zamanlama ağırlıklarını ve iletim hızlarını değiştirir. Böyle bir kapalı döngü sistemi, protokolün gerçek zamanlı tıkanıklık durumlarında yeterince esnek olmasını sağlar.

Temel araştırma sorularını oluşturduk, bu da çalışmanın kapsamını ve önemini tanımlamamıza yardımcı oldu, bunları net bir şekilde sunabildik. Araştırmayı yönlendiren araştırma soruları şunlardır:
RQ1: Hibrit toplama ve zamanlama, IoT destekli WSN'lerde bağımsız yöntemlere göre tıkanıklığı nasıl daha etkili şekilde azaltabilir?
RQ2: Nöro-bulanık karar motoru, değişken trafik yükleri altında ağ durumlarına uyum sağlamada ne rol oynar?
RQ3: Önerilen protokol, geleneksel tıkanıklık kontrol şemalarına kıyasla paket teslimat oranını, gecikmesini, aktarım kapasitesini ve enerji verimliliğini nasıl iyileştiriyor?
RQ4: Önerilen protokol, çeşitli IoT uygulamalarında QoS'u koruyarak ağ ömrünü uzatabilir mi?

Bu çalışmanın katkıları dört katlıdır. Ana argüman, IoT destekli WSN'lerde tıkanıklık kontrolü için nöro-bulanık uyum sağlayan hibrit bir toplama ve zamanlama çerçevesidir. İkinci nokta, farklı ağ boyutları ve trafik yoğunluklarında performansı test etmek için tekrarlanabilir bir simülasyon çerçevesi uygulamasıdır. Üçüncüsü, paket teslimatı, gecikme, veri verimliliği, enerji verimliliği ve ömür süresindeki ölçülebilir ilerlemeleri tabanlara göre gösterir. Sonuç olarak, açıklık ve tekrarlanabilirlik için veri, yapılandırma dosyaları ve analiz betikleri sunar.

Sadece bulanık, sadece toplama, sadece zamanlama ve DRL tabanlı gibi farklı tıkanıklık kontrol yöntemlerinin sınırlamaları vardır; önerilen çalışma, çok katmanlı uyarlama-hibrit toplama, çift kuyruklu uyarlanabilir zamanlama ve nöro-bulanık karar motoru kullanarak bu sınırlamaları tek bir hafif ve donanım dostu çerçeveye entegre edilmiştir. DRL tabanlı yöntemlerin aksine, hesaplama açısından pahalı ve uzun zaman alan yaklaşımların aksine, önerilen nöro-fuzzy katman işlemleri neredeyse gerçek zamanlı olarak ve önemli ölçüde daha düşük enerji ve CPU kullanımıyla gerçekleştirebilir; bu nedenle, IoT sınıfı sensör düğümleri için idealdir. Çeşitli tıkanıklık kontrol yöntemleri, önerilen yöntemle birlikte Tablo 1'de karşılaştırılmıştır.

Tablo 1: Mevcut tıkanıklık kontrol yaklaşımları ile önerilen yöntemin karşılaştırılması. Bu tablo, kablosuz sensör ağlarında bulanık, sadece toplama, sadece zamanlama ve DRL tabanlı yaklaşımlar gibi farklı tıkanıklık kontrol yöntemleri kategorilerinin en önemli özelliklerini, avantajlarını ve sınırlamalarını özetlemektedir. Hibrit toplama, uyarlanabilir öncelik zamanlama ve hafif bir nöro-bulanık karar motorunu birleştirerek düşük hesaplama maliyetiyle çok katmanlı uyum sunma sunan önerilen yöntemin benzersizliğini vurguluyor. Bunlar arasında yapılan karşılaştırma, tanıtılan protokolün daha iyi PDR, daha düşük gecikme, dengeli veri verimliliği ve artan enerji verimliliği elde edebildiğini ve yine de kaynak kısıtlı IoT-WSN cihazlarıyla uyumlu olduğunu gösteriyor. Bu tabloyu indirmek için lütfen buraya tıklayın.

İlgili çalışmalar
IoT özellikli Kablosuz Sensör Ağlarında (WSN) tıkanıklık kontrolü üzerine yapılan son araştırmalar, tek katmanlı tekniklerin — saf toplama, trafik kısıtlaması veya zamanlama — tampon taşması, çarpışmalar ve ciddi enerji israfına yol açan heterojen ve patlayıcı trafik yükleri altında yetersiz olduğunu göstermektedir. Bu nedenle, hibrit toplama-zamanlama şemaları, aynı anda yedek iletimleri azaltmak ve düğümyoğunlukları 6,7,8,10 ölçeklendikçe çatışmayı düzenlemek için öne çıkmıştır. Katmanlar arası varyantlar, yönlendirme, kümeleme ve MAC seviyesinde zamanlamayı entegre ederek yakınsama akışlarını ve karışık QoS işyüklerini stabilize eder 11,12,13, bulanık veya sezgisel tetikleyiciler ise yerel tıkanıklık sinyallerine göre toplama derinliğini ve hizmet disiplininiayarlar 14,15,16 . Yumuşak hesaplama teknikleri yanıt verebilirliğini daha da artırır: bulanık kontrolörler, tampon doluluğu, bağlantı kalitesi ve yeniden iletimlerden kuyruk durumlarınıçıkarır 9,17,21; Nöro-bulanık sistemler, paket teslimat oranı (PDR), gecikme, veri verimliliği ve enerji kullanımı 22,23,24 üzerinden çoklu amaçlı optimizasyon için kural ağırlıklarını öğrenerek bunu artırır. Bu arada, derin pekiştirme öğrenme (DRL/RL) yaklaşımları hız kontrolü, önbellekleme ve zamanlamayı25, 26, 27,28 yönetir ve üretken/optimizasyon tabanlı çerçeveler, stres altındaki kümeleri ve güzergahları yeniden şekillendirirken yerel trafik davranışını ayarlar²9. Bu çeşitli yaklaşımlar arasında, akıllı hibritler, kuyruk taşıntılarını azaltmak, rekabet pencerelerini stabilize etmek, gecikmeyi azaltmak ve değişken trafik koşullarında veri ile enerji verimliliğini artırmak gibi statik yöntemleri sürekli geridebırakıyor 8,9,12,24,25,26,27,28,29,30 ,32,33,34.

Paralel bir çalışma alanı, tıkanıklık kontrol parametrelerini enerji seviyelerine, bağlantı koşullarına ve uygulama önceliklerine uyarlayarak ağ ömrünü ve QoS'yi artırmaya odaklanır. Çalışmalar, korelasyonlu paketlerin toplanmasının iletim sayısını azalttığını, uyarlanabilir zamanlamanın ise çatışmaları, boşta dinlemeleri ve çarpışma fırtınalarını en azaindirdiğini gösteriyor 14,17,18,27,30,32,33,34,35,36 . Öncelik temelli mekanizmalar, acil sağlık veya endüstriyel trafiği korur ve kritik olmayan telemetri 18,32,33,35 ile bulanık/nöro-bulanık yönlendirme, kümeleme ve hız kontrolü yüksek yüklü senaryolarda daha da pürüzsüz salınımları sağlar 33,18. Yönlendirme 37 için yapay zeka tabanlı optimizasyon, kümeleme38 ve uzun vadeli tıkanıklığa duyarlı haritalama39 gibi ek ilerlemeler, akıllı hata tespiti40, blokzincir destekli güvenli iletişim31 ve enerji duyarlı kurtarma⁴1, entegre ve bağlama duyarlı tıkanıklık çözümlerine yönelik artan eğilimi vurgulamaktadır. Bu gelişmelere rağmen, mevcut yaklaşımların çoğunda hâlâ çeşitli IoT iş yüklerinde toplama, zamanlama ve akıllı uyumu birlikte koordine edebilen birleşik, hafif ve gerçek zamanlı bir çerçeve yok. Bu boşluk, modern IoT destekli WSN ortamlarında ölçeklenebilir, QoS-farkında ve enerji verimli performans için nöro-bulanık karar alma süreçlerini kullanan akıllı hibrit bir tıkanıklık kontrol sisteminin geliştirilmesini motive etmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

1. Simülasyon ortamı kurulumu

  1. Ubuntu 22.04 LTS'i, en az Intel i5 işlemcisi, 8 GB RAM ve 20 GB depolama alanı olan bir iş istasyonuna kurun. GNU C/C++ derleyicisini ve Tcl/TK kütüphanelerini NS-2.35'i derleyip çalıştıracak şekilde yapılandırın.
  2. Python 3.10'u NumPy, SciPy, Pandas ve Matplotlib ile birlikte analiz ve çizim için kurun. NS-2 enerji ve kuyruk izleme modüllerinin sıraya girme, dequeue, drop, delivery ve enerji tüketimi olaylarını yakalamasını etkinleştirin.
  3. Her deneyi bağımsız rastgele tohumlarla 5 kez gerçekleştirerek tekrarlanabilirliği garanti edin.
  4. Simülasyon dizinini yapılandırmalar, scriptler, sonuçlar ve analiz için alt klasörlere yapılandırın ve yapılandırmaları ile sonuçları kaydetmek için Markdown loglarını tutun.
    NOT: Simülasyon iş akışında kullanılan tüm TCL yapılandırma dosyaları, NFDE uygulama betikleri ve analiz araçları Ek Dosya 1'de sağlanmıştır.

2. Ağ topolojisi ve trafik üretimi

  1. 600 x 600 m²'lik bir dağıtım alanında 150, 300, 450, 600 ve 750 düğüm ile kablosuz sensör ağ topolojileri oluşturulur.
  2. Her düğümü 25 J enerji, 75 m iletim aralığı ve 250 kbps bant genişliği ile başlatarak IoT sınıfı cihazları temsil edin.
  3. Sink düğümünü ya merkeze ya da ağ sınırına yerleştirerek heterojen yönlendirme yolları oluşturulur.
  4. 1 paket/s hızında periyodik sabit bit hızı akışları ve 20-30 saniye süren 5-10 paket/s hızında olay odaklı patlamalardan oluşan trafik modelleri getirilir.
  5. Protokolün akışları ayırt etme ve önceliklendirme yeteneğini test etmek için arka plan ve yüksek öncelikli trafiği birleştirin. Özet simülasyon parametreleri Tablo 2'de sunulmaktadır.
  6. NS-2 simülasyon yapılandırma parametreleri
    1. Yönlendirme protokolü: Tüm simülasyonlar için Ad hoc On-Demand Distance Vector (AODV) yönlendirme kullanın. Aşağıdaki anahtar parametreleri ayarlayın: Hello aralığı: 1 s, Aktif rota zaman aşımı 3 s, TTL start/max: 2 / 7 hop.
      NOT: AODV, hafif kontrol paketi yükü ve dinamik IoT/WSN topolojilerine uygunluğu nedeniyle seçilmiştir.
    2. MAC yapılandırması: MAC protokolü IEEE 802.11 DCF (Dağıtık Koordinasyon Fonksiyonu) kullanın. Aşağıdaki önemli parametreleri ayarlayın: Temel hız: 1 Mbps, Veri hızı: 250 kbps (WSN sınıfı veri hızı), RTS/CTS: devre dışı bırakılmış (tipik düşük güç WSN kurulumlarını takip eder), CWmin = 31, CWmax = 1023, Slot süresi = 20 μs, SIFS = 10 μs, DIFS = 50 μs.
    3. Kuyruk yapılandırması: Kuyruk tipini PriQueue olarak ayarlayın, çift öncelikli zamanlamayı desteklemek için, kuyruk uzunluğu (IFQ uzunluğu) 50 pakete kadar ayarlanır. Kuyruk eşlemesini yüksek öncelikli trafik olarak Sıra 1'e, normal trafiği ise Sıra 2'ye ayarlayın. Overflow işleme için kuyruk davranışını DropTail olarak ayarlayın.
    4. Yayılım modeli: Yol kaybının mesafe arttıkça arttığı tipik IoT/WSN dış ortamları için TwoRayGround seçeneğini seçin. Çapraz kontrol model parametrelerini anten yüksekliği: 1,5 m, sistem kayıp faktörü: 1,0, minimum alınan güç eşiği: −95 dBm olarak ayarlayın.
    5. Arayüz ve anten modelleri: Kablosuz arayüz tipini Phy/WirelessPhy olarak ayarlayın. Aşağıdaki ağ arayüzü yapılandırmasını ayarlayın: Arayüz kuyruk türü: Queue/DropTail/PriQueue, Ağ arayüzü: CMUPriQueue öncelikli hizmet için. Anten modelini Anten/OmniAntenna olarak ayarlayın çünkü tipik sensör mote'larını (MicaZ, TelosB vb.) yansıtır.
    6. IFQ uzunluğu ve paket boyutu: Arayüz kuyruk uzunluğunu (IFQLength) 50 pakete ayarlayın, böylece gerçekçi trafik zirvelerinde tıkanıklık oluşmasını sağlar. Aşağıdaki paket boyutu parametrelerini ayarlayın: Varsayılan CBR paketi: 512 bayt, MAC başlığı: ~36 bayt, AODV kontrol paketi: ~32 bayt. Parçalanma eşiğini Yok olarak ayarlayın (parçalanma devre dışı bırakılmış).
    7. Kanal Ayarları: Kanal türünü Kanal/KablosuzKanal, Frekansı 2.4 GHz ISM bandına (yaygın IoT frekansı), bant genişliğini 250 kbps'ye ve çifte ayarlayın. Bağlantı katmanı parametrelerini Başlangıç enerjisi: 25 J, iletim gücü: 0.66 W, alım gücü: 0.395 W, boşta gücü: 0.035 W ve uyku gücü: 0.003 W olarak ayarlayın. Gürültü tabanını −100 dBm'e ve taşıyıcı algı eşiğini (CST) −94 dBm olarak ayarlayın.

Tablo 2: Önerilen tıkanıklık kontrol protokolünün değerlendirilmesi için kullanılan NS-2.35 simülasyon parametreleri. Bu tablo, NS-2.35'teki tüm simülasyon yapılandırmalarını toplar; örneğin dağıtım alanının büyüklüğü, düğüm yoğunlukları, enerji ile ilgili parametreler, MAC ve yönlendirme yapılandırmaları, kuyruk yapısı, yayılım modeli, paket boyutu ve kontrol eşikleri. Parametreler, hibrit, sadece toplama, sadece zamanlama ve temel tıkanıklık kontrol şemalarının performans karşılaştırması için deneysel ortamın tam tekrarlanabilirliğini garanti eder. Bu tabloyu indirmek için lütfen buraya tıklayın.

3. Metodoloji mimarisi

  1. Önerilen protokolü, hibrit toplama, uyarlanabilir zamanlama ve nöro-bulanık karar motorunu entegre ederek tasarlayın.
  2. Zaman tabanlı veya paket sayısı pencereleri içinde paketleri birleştirmek için hibrit toplama uygulayın; kritik trafik için öncelik etiketlerini koruyun.
  3. Uyarlanabilir zamanlama kullanarak iki kuyruk—biri kritik akışlar için, diğeri kritik olmayan akışlar için—yönetin ve dinamik olarak ayarlanabilir kuyruk ağırlıklarıyla ağırlıklı round robin zamanlama uygulayın.
  4. Nöro-bulanık karar motorunu kullanarak buffer doluluğunu, kanal kullanımını, kalıntı enerjisini, bağlantı kalitesini ve trafik önceliğini izleyin.
  5. Bu girdileri bulanık üyelik fonksiyonlarına haritalayın, toplama derinliği ve zamanlama ağırlıklarını optimize etmek için çıkarım kuralları uygulayın ve nöro-adaptif öğrenme yoluyla sistem kararlarını ince ayarlar.
    1. NFDE model yapısı: Nöro-Bulanık Karar Motoru (NFDE)'yi beş giriş değişkeni ve üç çıkış kontrol parametresi ile birinci dereceden Sugeno Adaptif Nöro-Bulanık Çıkarım Sistemi (ANFIS) olarak uygulayın. Sistem beş katmanlı bir mimari kullanır
      Katman 1 - Giriş bulanıklaştırması: Net sensör değerlerini üyelik derecelerine dönüştürür.
      Katman 2 - Kural ateşleme gücü: Ürün çıkarımı kullanarak kuralların ateşleme güçlerini hesaplar.
      Katman 3 - Normalizasyon: Ateşleme güçlerini normalleştirir.
      Katman 4 - Doğrusal çıkış terimleri: Ağırlıklı doğrusal çıktılar üretir.
      Katman 5 - Çıktı toplama: Sonuçları birleştirerek toplama derinliği, zamanlama ağırlığı ve iletim hızı ayarlamaları üretir.
      Her kuralın şekli şöyledir: Eğer (B X1'dir) ve (C X2'dir) ve (E X3'tür) ve (LQI X4'tür) ve (P X5'dir) → f = p1· B + p2· C + p3· E + p4· LQI + p5· P + p0.
      Model, karmaşıklık kısıtlamalarına bağlı olarak 15-25 kural içerir.
    2. Giriş ve çıkış değişkenleri
      1. 5 giriş değişkeni setlenin: b uffer doluluk (B)- Mevcut kuyruk uzunluğu ile IFQ uzunluğu oranı (0-1), c hannel kullanımı (C)- MAC meşgul zaman fraksiyonu (0-1), r esidual enerji (E)- Kalan enerji fraksiyonu (0-1), l mürekkep kalite göstergesi (LQI)- normalize bağlantı başarı olasılığı (0-1) ve t raffic önceliği (P) ile 1.0 kritik ve 0.0 kritik olmayan olarak kabul edilir.
      2. 3 çıkış değişkeni belirleyin: toplama derinliği (A*)- Önerilen paket sayısı (1-6 aralığı), s's cheduling weight (W*)- Yüksek öncelikli kuyruğa atanan ağırlık (0,3-0,8), rate ayarı (R*)- İletim hızı ölçeklendirmesi (−%20'den +10%'e kadar).
    3. Tüm girdiler, 0 - 1 aralığında tanımlanmış üçgen veya trapezoidal üyelik fonksiyonlarını kullanır. m embership fonksiyonlarını aşağıdaki gibi sayısal aralıklarla ayarlayın.
      Tampon doluluğu (B) - Düşük: trapmf(0.0, 0.0, 0.20, 0.40), Orta: trimf(0.30, 0.50, 0.70), Yüksek: trapmf(0.60, 0.80, 1.0, 1.0)
      Kanal kullanımı (C) - Düşük: trimf(0.0, 0.15, 0.30), Orta: trimf(0.25, 0.50, 0.75), Yüksek: trimf(0.70, 0.85, 1.0)
      Kalıntı enerji (E) - Yüksek: trapmf (0.70, 0.80, 1.0, 1.0), Orta: trimf (0.40, 0.55, 0.70), Düşük: trapmf (0.0, 0.0, 0.30, 0.50)
      Bağlantı kalite göstergesi (LQI) - İyi: trapmf(0.70, 0.80, 1.0, 1.0), Orta: trimf(0.40, 0.55, 0.70), Zayıf: trapmf(0.0, 0.0, 0.30, 0.45)
      Trafik önceliği (P) - Kritik değil: trimf(0.0, 0.0, 0.1), Kritik: trimf(0.9, 1.0, 1.0)
      Çıktı üyelik fonksiyonları - Sugeno ANFIS net doğrusal çıktılar kullandığı için:
      A* (toplama derinliği) = a1·girdiler + a0, [1,6] olarak kesilmiş, W* (öncelik ağırlığı) = w1·girişler + w0, [0.3,0.8]'e kırpılmış], R* (hız faktörü) = r1·girdiler + r0, [−0.20, +0.10] olarak kesilmiştir
    4. Kural tabanı formülasyonu: Tam bir kural tabanı genellikle hesaplama sınırlarına bağlı olarak 15-25 kural içerir. Tipik bir kural alt kümesi olarak
      Eğer B = yüksek VE C = yüksek → A*'yı azaltın, W*'yi artırın, R*'yi azaltın.
      Eğer B = orta VE E = yüksek VE P = kritik → orta A*, W* artırın
      LQI = zayıf → A* artırın (yeniden iletimi azaltmak için)
      Eğer E = düşük → R*'yi azaltırsa, A*'yı azaltır (enerji tasarrufu)
      Eğer C = düşük VE P = kritik → W*'yu yüksek ayarlayın
      Eğer B = yüksek VE LQI = iyiyse → A*'yı azaltın, R*'yi artırın.
      NOT: Nöro-bulanık kural sisteminin ayırt ediciliği. Bulanık kural sistemi, geleneksel tıkanıklık kontrol şemalarından iki şekilde farklıdır:
      Çok girdili bağlama: Mevcut bulanık WSN denetleyicilerinde nadiren birleştirilen kuyruk doluluğu, kanal kullanımı, toplama derinliği ve paket öncelik metriklerini ortak olarak ele alır.
      Nöro-adaptif kural ayarı: İlk kurallar uzman tarafından tanımlanır ancak daha sonra ANFIS öğrenimi kullanılarak optimize edilir; kural güçleri ve çıktı parametreleri gerçek ağ koşullarına uyacak şekilde güncellenir. Kullanılan temsilci kurallar şunlardır:
      EĞER kuyruk doluluğu yüksekse VE kanal kullanımı yüksekse, O zaman iletim hızını azaltın ve toplama derinliğini artırın.
      EĞER kuyruk doluluğu orta VE öncelik yüksekse, zamanlama ağırlığını artırın.
      EĞER kalıntı enerji düşükse, yeniden iletimi sınırlayın ve kuyruk basıncını azaltın.
      Bu dinamik kural ayarlamaları, statik bulanık sistemlere kıyasla daha duyarlı tıkanıklık azaltma sağlar.
    5. Üyelik fonksiyonlarını ve kurallarını tanımlayın ve ayarlayın. İlk olarak, ön çalışma olarak yapılan NS-2 simüle edilmiş eğilimlerin ampirik aralıklarına dayanarak bulanık üyelik fonksiyonlarını kurmak. Bu eğilimler arasında tampon doluluğu, kanal kullanımı, kalıntı enerji ve LQI dağılımları yer alır. Daha sonra, bu üyelik fonksiyonlarını ANFIS eğitim prosedürü aracılığıyla ayarlayın; burada gradyan inişi hem MF sınırlarını hem de Sugeno çıkış parametrelerini optimize etmek için kullanılır. İlk bulanık kural tabanını uzmanlardan türetilmiş sezgisel yöntemlerden oluşturun. Bundan sonra, nöro-adaptif sistemi kural ağırlıkları ve parametreler temsil trafik desenleri nedeniyle güncellenene kadar eğitin ve böylece ayarlanabilmesini sağlar.
    6. NFDE'nin hesaplama alanını değerlendirerek IoT sınıfı sensör düğümleri için uygun olup olmadığını belirleyin. 72 MHz'de çalışan bir Cortex-M4 mikrodenetleyicisinde genellikle 1.2-1.8 ms civarında olan çıkarım süresini takip edin. Tüm üyelik fonksiyonları ve kural parametreleri için bellek tüketiminin 40 KB'yi geçmediğinden emin olun. Tüm ANFIS eğitimlerini çevrimdışı yapın ve sensör düğümlerinde değil. Çok düşük hesaplama yüküyle gerçek zamanlı uyum sağlama yeteneğini korumak için, dağıtım sırasında yalnızca hafif çıkarım kısmı kullanılmalıdır.
    7. Eğitim Prosedürü: Hibrit ANFIS algoritması kullanılarak NFDE'yi çevrimdışı eğitim
      İleriye geçiş (En Küçük Kareler Tahmini): Sugeno kurallarının doğrusal parametrelerini belirler.
      Geriye geçiş (Gradient Descent): Doğrusal olmayan MF parametrelerini günceller.
      1. Eğitim parametrelerini eğitim veri seti boyutu olarak ayarlayın: Simüle edilmiş trafik durumlarından üretilen 15.000 örnek, Dönemler: 50, Öğrenme oranı (α): 0.01, Hata toleransı: 1 x 10 ⁻⁴, Erken durdurma: 3 ardışık dönem iyileştirme sağlamadan, Optimizasyon hedefi: NFDE çıktısı ile yer-gerçeklik kontrol profilleri arasındaki RMSE'yi en aza indirmek.
  6. Tıkanıklık hem koşul hem de alt koşul seviyesi göstergeleriyle ortaya çıkar. IFQ kapasite sınırına yaklaşırken kuyruk doluluk seviyelerini, kuyruk büyüme oranını ve paket düşüş olaylarını inceleyerek düğüm düzeyindeki tıkanıklığı ayırt edin. MAC yoğun süresindeki sürekli artışlar, uzun geri dönüş aralıkları ve çarpışma olasılığının artmasından kanal düzeyinde tıkanıklık çıkarım. Bu sinyaller, tıkanıklığın şiddetini belirleyen ve otonom kontrol önlemleri veren Nöro-Bulanık Karar Motoruna sürekli olarak aktarılır.
  7. Tıkanıklık tespiti durumunda, NFDE paket iletimlerini azaltmak için toplamayı genişletir, trafik kritikliği için zamanlama ağırlıklarını yeniden yapılandırmak ve kuyruğu normalleştirmek için iletim hızını düşürür. Tespit mekanizmasını uygulama katmanından ayrı tutarak, trafik farklı türde olsa bile tıkanıklık yönetimi korunur.
  8. Parametreleri her 1-2 saniyede bir güncellemek için neredeyse gerçek zamanlı yanıt verebilir. Nöro-Bulanık Karar Motoru'nda uygulanan üyelik fonksiyonu parametrelerine, çıktı aralıklarına ve temsil bulanık kurallara referans vermek için Tablo 3'ü kullanın. Denetleyicinin çıkarım ve uyum davranışını doğru şekilde yeniden oluşturmak için listelenen sayısal MF değerlerine, Sugeno çıktı sınırlarına ve örnek karar kurallarına bakın.
  9. Analizi dört ana aşamada gerçekleştirin:
    Kurulum: NS-2.35, Python analiz araçları hazırlayın ve ağ topolojileri ile trafik kalıpları oluşturun.
    Parametre Ayarlama: Toplama derinliği, zamanlama ağırlıkları, arayüz kuyruk parametreleri ve NFDE üyelik fonksiyonları ile öğrenme ayarlarını yapılandırın.
    Simülasyon Yürütme: Tüm senaryoları birden fazla düğüm yoğunluğu ve trafik yükü üzerinde çalıştırın, tam NS-2 iz dosyalarını toplayın ve enqueue, dequeue, drop, delivery ve enerji durumları dahil olmak üzere anahtar olayları kaydedin.
    Analiz: Python betikleri kullanarak PDR, gecikme, veri verimliliği, enerji ve ömür boyu metriklerini çıkarın ve temel çizgiler arasında istatistiksel anlamlılığı hesaplayın.
    NOT: Bu iş akışı, yapılandırmadan analize kadar net ve tekrarlanabilir bir dizi sağlar ve Şekil 1'de gösterilmiştir.

Tablo 3: Nöro-bulanık karar motorunda kullanılan bulanık üyelik fonksiyonları, çıktı aralıkları ve temsil kuralları. Beş giriş değişkeninin hepsi üçgen ve trapezoidal üyelik fonksiyonlarına sahiptir ve tablo bunların kesin sayısal parametrelerini verir. Tablo ayrıca Sugeno tipi çıktılar için operasyonel menzilleri de gösterir. Temsilci bulanık kurallar, sistemin ağ koşullarını nasıl yorumlayarak toplama derinliğini, kuyruk zamanlama ağırlıklarını ve iletim hızı ölçeklendirmesini ayarladığını gösterir. Tekrarlanabilirlik parametreleri arasında MF sayıları, kural seti büyüklüğü, öğrenme hızı ve güncelleme aralığı bulunur; bunlar NFDE'nin doğrudan çoğaltılmasını kolaylaştırmak için vardır. Bu tabloyu indirmek için lütfen buraya tıklayın.

Şekil 1
Şekil 1: IoT destekli kablosuz sensör ağları için akıllı tıkanıklık kontrol protokolünün mimarisi. Hibrit tıkanıklık kontrol politikasının kapsamlı entegre iş akışı bu diyagramda gösterilmiştir. Ağ durumu ölçümleri—tampon doluluğu, kanal kullanımı, kalıntı enerji, bağlantı kalitesi ve trafik önceliği—üyelik fonksiyonu katmanına ve Nöro-Bulanık Karar Motoruna beslenir; bu motor, toplama derinliği, zamanlama ağırlığı ve iletim hızı ayarlaması gibi uyarlanabilir kontrol değişkenleri üretir. Bu değişkenler, Hibrit Toplama Modülü ve Adaptif Zamanlama Modülünü kontrol eder; böylece daha yüksek paket teslimat oranı, daha düşük gecikme, daha düşük enerji tüketimi ve uzun ağ ömrü gibi ortak optimize edilmiş trafik metriklerini mümkün kılar. Kısaltmalar: NF = Neuro-Fuzzy, PDR = Paket Teslimat Oranı, WRR = Ağırlıklı Round Robin, WSN = Kablosuz Sensör Ağı, IoT = Nesnelerin İnterneti, AQM = Aktif Kuyruk Yönetimi (varsa), RSSI = Alınan Sinyal Gücü Göstergesi (varsa). Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

4. Veri seti detayları

NOT: Bu çalışmada kullanılan simülasyon veri seti NS-2.35 ortamı kullanılarak dahili olarak oluşturulmuş ve dosya boyutu kısıtlamaları nedeniyle kamuya açık bir depoya depolanmamaktadır. Ancak, veri setini yeniden üretmek için gereken tüm yapılandırma dosyaları, TCL betikleri, NFDE kodu ve Python analiz betikleri aşağıdaki GitHub deposunda kamuya açık olarak mevcuttur: https://github.com/Sitaldash123/Hybrid-NF-Congestion-Control-WSN. Araştırmacılar, sağlanan yapılandırma dosyaları ve betiklerini çalıştırarak tüm veri setini yeniden oluşturabilirler. Makul talep üzerine yazarlardan ek veri dosyaları sunulabilir.

  1. Veri setini, yapılandırma dosyaları, rastgele tohum listeleri, ham NS-2 iz dosyaları, işlenmiş CSV sonuçları ve iz ayrıştırma ile görselleştirme için Python betikleri oluşturarak hazırlayın.
  2. Veri Seti Kaynağı Açıklaması:
    1. Tüm veri setini, harici veya halka açık depolardan almak yerine NS-2.35 simülasyon platformunu kullanarak oluşturun.
    2. NS-2.35'i her simülasyon çalıştırması için ham iz dosyaları üretecek şekilde yapılandırın; bunlar arasında enqueue, dequeue, drop, delivery, MAC olayları ve düğüm düzeyindeki enerji logları dahil.
    3. Tüm topolojileri, trafik desenlerini ve parametre ayarlarını simülasyon iş akışının bir parçası olarak programlayıcı olarak oluşturun. Her senaryonun yaklaşık 20 MB ham iz verisi ürettiğinden emin olun ve tüm deneysel çıktıları proje dizininde saklayın.
    4. Bu iz dosyalarını Python betikleriyle işleyerek paket teslimat oranı, gecikme, veri verimliliği, enerji tüketimi ve ağ ömür ölçütlerini çıkarın.
    5. Bu çalışmada üçüncü taraf veya harici veri setleri kullanılmamaktadır.
  3. Düğüm yoğunlukları, trafik yoğunlukları ve rastgele tohumlar arasında 75 senaryoyu ele alın.
  4. Her senaryo başına yaklaşık 20 MB ham iz veri ve 1-2 MB işlenmiş sonuç bekleniyor; toplam veri seti büyüklüğü yaklaşık 2 GB'dır.

5. Simülasyon uygulaması

  1. Her simülasyonu 900 saniye çalıştır. Önerilen protokolü üç alternatifle karşılaştırın: sadece toplama şeması, sadece zamanlama şeması ve PCCP temeli.
  2. Karşılaştırılabilirliği sağlamak için tüm protokollerde aynı ağ topolojileri ve rastgele tohumlar kullanın. Her çalıştırmadan iz dosyalarını toplayın ve bunları düğüm yoğunluğu, trafik yükü ve protokol türüne göre sonuçlar dizininde düzenleyin.

6. Veri analizi

  1. Python betikleriyle dosyaları ayrıştırarak paket teslimat oranını, uçtan uca gecikmeyi, veri verimliliğini, düğüm başına enerji tüketimini ve ağ ömrünü (düğümün ilk ölümüne kadar ve %50 düğüm ölümü) hesaplayın.
  2. Beş denemede ortalama sonuçlar alın ve bunları %95 güven aralığı ± ortalama olarak raporlayın.
  3. Normal dağıtılmış veriler için eşleştirilmiş t-testlerini, aksi takdirde Wilcoxon imzalı sıralama testlerini uygulayın ve p < 0.05'te önemli farkları değerlendirin.

7. Yazılım kullanımı için operasyonel rehberlik

  1. NS-2 yürütme ve Tcl script çağırışı
    1. Verilen Tcl dosyasını (hybrid_protocol.tcl) kullanarak simülasyon senaryolarını çalıştırmak için NS-2.35 kullanın.
      Tek bir senaryo çalıştırın:
      ns configs/hybrid_protocol.tcl -nn 300 -seed 3 -traffic bursty -out traces/out_300_seed3.tr
      Bayraklar: -nn (düğümler), -tohum (tohum), -trafik (cbr|bursty), -out (iz dosyası).
      Toplu yürütme: ./configs/run_experiment.sh
  2. İz ayrıştırma ve metrik çıkarma için Python betikleri
    1. İzi ayrıştırın
      python analizi/parse_ns2.py traces/out_300_seed3.tr --o results/metrics_300_3.csv
    2. Toplam metrikler
      Python analizi/compute_metrics.py sonuçları --özet sonuçlar/summary_all.csv
    3. Grafikler oluşturun
      Python analizi/plot_metrics.py sonuçları/summary_all.csv --çıktı rakamları/
  3. NFDE eğitimi ve çıkarımı
    1. Eğitim verisi oluşturun
      python NFDE/anfis_train.py --generate 15000 --out nfde/training_data.csv
    2. NFDE Treni
      python nfde/anfis_train.py --train nfde/training_data.csv --epochs 50 --lr 0.01 --out nfde/nfde_model.pkl
    3. NFDE çıkarımını çalıştır
      python NFDE/infer_nfde.py --B 0.6 --C 0.8 --E 0.5 --LQI 0.75 --P 1.0

8. Beklenen sonuçlar

  1. Önerilen protokolün 6,7,13,14,17,24 temel şemalarına göre üstün performansını göstermek. Yoğun trafik altında bile yüksek paket teslimat oranlarını koruyun, adaptif planlama ile uçtan uca gecikmeyi azaltın ve yedek iletimleri kontrol ederek daha yüksek aktarım hızını sürdürün.
  2. Daha az yeniden iletim ve dengeli yük dağılımı sayesinde artan enerji verimliliği ve daha uzun ağ ömrü gösterin.
  3. Bu protokolün, zamanında ve güvenilir veri teslimatının kritik olduğu sağlık hizmetleri, endüstriyel IoT ve akıllı şehir uygulamalarında IoT destekli WSN'ler için uygunluğunu vurgulayın.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

PRAM şeması, tek atlamalı iletişim ve sınırlı tampon boyutu olan kablosuz sensör ağ ortamında uygulanabilirdi. Deneyler farklı trafik oranlarıyla gerçekleştirildi ve şemanın performansı, veri taşıma kapasitesi, ortalama erişim gecikmesi ve ortalama boş olmayan tampon sayısı açısından geleneksel Aloha ve ağaç tabanlı Aloha (T-Aloha) varyantlarıyla karşılaştırıldı. Sonuçlar, önerilen şemanın yukarıdaki tüm metriklerde üstün performans sağladığını açıkça gösterdi.

Her deneysel eğilimin protokolle...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Sonuçlar, hibrit toplama, uyarlanabilir zamanlama ve nöro-bulanık uyum entegrasyonu sayesinde IoT destekli kablosuz sensör ağlarında tıkanıklık kontrolünün önemli ölçüde iyileştirildiğini göstermektedir. Aslında, yeni protokolün paket teslimatı, gecikme, veri verimliliği, enerji verimliliği ve ağ ömrü açısından yalnızca toplama, sadece zamanlama ve PCCP temellerinden farklı düğüm yoğunlukları ve trafik koşullarında daha iyi performans sağladığı görülmüştür. Aslında, bu kazanımlar, izole ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarlar, bu makalede bildirilen çalışmayı etkileyebilecek herhangi bir rekabet eden finansal çıkarları veya kişisel ilişkileri olmadığını belirtirler.

Teşekkürler

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

Yazarlar, bu çalışmanın geliştirilmesi boyunca Vishwakarma Üniversitesi, Pune'nin araştırma tesisleri ve idari destek için gösterdiği desteği minnettarlıkla takdir etmektedir. Yazarlar ayrıca simülasyon ve analiz için gerekli hesaplama altyapısını sağladığı için Bilgisayar Mühendisliği Bölümü'ne teşekkür etmektedir. Bu araştırma, kamu, ticari veya kar amacı gütmeyen sektörlerde herhangi bir fon kuruluşundan özel bir hibe almamıştır. Büyük dil model araçları yalnızca dil parlatma ve biçimlendirme için kullanıldı. Tüm bilimsel içerik, yöntemler ve analizler tamamen yazarlar tarafından geliştirilmiştir. Yapay zeka yardımıyla üretilen tüm metinler doğruluk açısından incelendi ve doğrulandı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Aqua-Sim Modülü (isteğe bağlı)NS2 Uzantı Deposu–Su altı WSN senaryoları test edildiğinde kullanılır
Masaüstü/Dizüstü Bilgisayar (Intel i5/AMD Ryzen 5, ≥ 8 GB RAM, ≥ 20 GB depolama alanı)Ticari olarak mevcut–Tüm simülasyonları çalıştırmak için kullanılır
GNU C/C++ Derleyici, Tcl/TkUbuntu deposu–NS-2'nin derlenmesi için gerekli
MATLAB R2022a (isteğe bağlı)MathWorkshttps://www.mathworks.comTercih edilirse ANFIS/bulanık modelleme için kullanılır
NS-2.35 Ağ SimülatörüISI/NS2 Projesihttps://www.isi.edu/nsnam/ns/Çekirdek simülasyon ortamı
İşlenen sonuçlar (.csv)Bu çalışmada oluşturulan-Hesaplanan metrikler: PDR, gecikme, verimlilik, enerji, ömür boyu
Python 3.10 (NumPy, SciPy, Pandas, Matplotlib)Python Yazılım Vakfıhttps://www.python.orgAnaliz ve çizim için kullanılır
Python analiz betikleriBu çalışmada oluşturulan-İzleri ayrıştırmak ve plot oluşturmak için betikler
Ham NS-2 iz dosyaları (.tr)Bu çalışmada oluşturulan-Paket düzeyinde iletim ve enerji olaylarını içerir
Simülasyon yapılandırma dosyaları (topoloji, trafik modelleri, rastgele tohumlar)Bu çalışmada oluşturulan-Deneylerin çoğaltılması için gerekli
Ubuntu Linux 22.04 LTSCanonical Ltd.https://ubuntu.comNS-2 için işletim sistemi

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

IoT A larAdaptif izelgelemeN ro Bulan k DenetleyiciPaket Teslim OranU tan Uca GecikmeEnerji T ketimiA mr
Video yakında

İlgili makaleler