Sink-Convergence级联模型,无线传感器网络具有不同Load-Redistribution方案

文摘

现有的级联模型无法描述的sink-convergence特点网络(无线传感器网络)。在这项工作中,我们建立一个更现实的网络级联模型,两个load-redistribution方案(即。介绍了,空闲再分配,甚至再分配)。此外,失败的节点允许一定的时间延迟后的恢复而不是永久地从网络中删除。仿真结果表明,该网络刀枪不入呈正相关的公差系数和指数负相关系数。idle-redistribution方案下,网络可以加强对级联故障刀枪不入。恢复时间的延长将加剧波动的级联过程。

1。介绍

无线传感器网络(WSN)是最重要的组件之一,物联网系统(物联网),因为它简单部署的特点,成本低、自组织等(1,2]。在实际网络中,传感器节点具有有限的能力。如果一个传感器节点的交通负载大于能力,其性能会受到严重影响,全部或部分负载,将转至其他传感器节点,进一步导致交通负荷的分配网络。在这个过程中,可能会有新的传感器节点失败由于过载。我们称之为动态过程的级联故障。在网络,由于级联故障的存在,尽管大多数失败出现在本地,整个网络可以在很大程度上影响甚至崩溃在全球范围内(3- - - - - -5]。

现有的网络级联模型通常使用一个传感器节点的程度或中间性值来表示他们的交通负荷。在对等网络这些假设是合理的,但是他们不能适用于网络,因为他们忽视了水槽节点对网络流量分布的影响。水槽收敛是最明显的特征可以区分网络和其他网络。因此,本文提出了一个更现实的网络级联模型。本文的主要贡献如下:

级联模型,该模型可以描述sink-convergence提出了网络的特征。

(即两个load-redistribution方案。,even-redistribution scheme and idle-redistribution scheme) are introduced.

我们评估这个模型中关键参数的影响,比较两个load-redistribution方案。

提醒的纸是组织如下。部分2描述最近的相关工作。节3,提出了级联模型。节4,给出了仿真结果。最后,给出了结论和未来的工作。

2。相关工作

在现实世界中,级联故障是非常普遍的在实际网络系统中,如电网网络,供应链网络和通信网络。许多研究人员试图模型实际网络的级联过程(6]。王等人。7)开发了一个负载下供应链网络的级联模型,其中每个节点的特点是容量的上界和下界。Rohden et al。8]研究了级联刀枪不入的电网基于交流模型。任等。9)提出了一种随机模型研究通信网络的级联动态和识别的重要节点从网络的角度刀枪不入。陈等人。10]研究了级联过程中相互依存的电网和通信网络。吴et al。11]分析了链路容量的影响在通用传输网络级联过程,发现在某些情况下可能存在一个分叉点的划分区域相反的健壮性行为。你等。12)调查了层叠刀枪不入cyberphysical系统和观察到的两个耦合网络有不同的敏感性从其他网络传播失败。Candelieri et al。13]研究了公共交通网络的级联刀枪不入直接攻击。

网络也收到了很多关注的级联故障。刘等人。14)提出了一个betweenness-oriented层叠模型。在这个模型中,一个传感器节点的交通被定义为它的中间状态值。阴et al。15)研究无标度网络的级联过程,假设传感器节点的交通负荷度相关。李等人。16)使用概率生成函数来分析无尺度网络的临界载荷。在这部作品中,负载将密切相关的中间性的价值。你们在al。17)提出了一种容错方案抵制网络级联的失败。他们认为,传感器节点的负载是学位相关的一个指数。胡锦涛在al。(18]分析了网络的级联过程基于betweenness-load模型在随机攻击。在[19),我们提出了一个网络分层级联模型。在这个模型中,节点的负载是由intercluster学位和inner-cluster学位。在[20.),我们提出了一个routing-based级联网络中传感器节点的负载模型被定义为实时的消息数量。

表1总结了所提到的级联模型。虽然许多层叠模型已经提出,但并不适用于现实的网络,因为他们不能反映sink-convergence网络的特点。沉了网络收敛的样本图所示1。在现实的网络中,所有的数据包一般传感器节点收集的最终将收集在水槽节点,然后上传到云;因此轮遵循一个典型的多对一的传播模式,这使得它们从其他网络表现出完全不同的交通特征。因此,有必要开发一个更现实的级联网络的模型。

3所示。级联模型

3.1。交通规

在[21),我们提出了一个交通规”sink-oriented中间性”描述了网络的负载分布。通过广泛的仿真验证了其有效性和可靠性一直在21]。因此,在这项工作我们仍然使用这个交通指标,如下所述: 在哪里从节点的最短路径的数量吗到汇聚节点通过节点在时间 。 从节点的最短路径的数量吗水槽节点在时间 。 和传感器节点的集合,网络中传感器节点的总数,分别。

3.2。负荷和容量

正如在上一节所讨论的,在实际网络中,传感器节点的初始负载相关的最短路径的数量从所有其他传感器节点到汇聚节点通过网络,所以它是合理的定义节点的初始负载作为sink-oriented介数的函数。对于这个考虑,我们定义的初始负载节点作为 在哪里 load-exponential系数,确定初始载荷的分布。我们可以很容易的发现,每个传感器节点的初始负载熊的线性关系sink-oriented中间性值时 。的配置网络密切相关的数据类型。如果数据类型的多媒体数据,这意味着初始载荷将有一个快速的增加以指数方式增长 ;因此应该设置为一个相对较大的值。如果数据类型是普通文本数据,可以是一个小的价值。很明显,引入可以为我们提供高灵活性模型适用于不同类型的网络。

在大多数文献[14,16),节点的容量将呈正相关初始载荷,如图所示 在哪里是overload-tolerance系数。然而,在网络,这个设置是远离现实的情况。与电网的节点的能力可以根据实际需求,定制节点的网络能力总是相同的。这其中的部分原因是,在大多数情况下,传感器节点的硬件配置在同一个WSN总是相同的,还有部分原因是不可能自定义节点的能力当数百,甚至数千的部署。因此,在这项工作中,被定义为传感器节点的能力 根据(4),每个传感器节点具有相同的能力,这是呈正相关的平均负载初始网络。

3.3。Load-Redistribution方案

如果该节点失败,其负载将分布式网络中其他节点。load-redistribution方案有两种:even-redistribution方案;idle-redistribution方案。even-redistribution方案被广泛使用在许多层叠模型。在这个方案下,加载失败的节点将采取的最初分配给周边节点。如果节点失败时 ,它的邻居可以得到额外的负载在时间 如下: 在哪里节点的邻居数量吗在时间 。在某些路由协议的网络,传感器节点没有实时状态信息对他们的邻居,他们有相同的能力。它是合理的失败节点的负载分配给它的邻国均匀。

随着网络路由技术的发展,在某些路由协议,传感器节点可以congestion-aware,这意味着他们可以自己的实时状态信息关于他们的邻居。在此基础上,提出idle-redistribution方案。如果节点失败时 ,它的邻居可以得到额外的负载在时间 如下: 在哪里的邻居节点的组成在时间 。 节点的空闲能力吗 ,这也可以被理解为最大负载仍然可以接收。根据(6),我们可以很容易地发现,在idle-redistribution方案下,节点与更多的闲置产能可以从失败的节点分配更多的负载。

为了说明load-redistribution流程更清楚,我们目前的一个例子一个简化的网络拓扑结构(如图2)。假设节点失败时 ,最初的加载需要将转移到邻国 , ,和根据load-redistribution方案。在时间 ,实时负载的节点 , ,和将根据更新(7)。 如果 , ,失败会引发新一轮的节点和新失败节点的负载转移到邻国。这个级联过程不会停止,直到剩余节点的负载在其能力。

3.4。级联机制

在大多数现有的级联模型,传感器节点有两种状态:正常、过载。根据他们的假设,如果节点的负载超出其能力,那么它将被永久从网络。这种假设是合理的在网络像电网。然而,在网络中,这种假设远非事实。不同于电力电网超载,超载了网络的数据包不会导致传感器节点的物理伤害。重载节点将重新启动而不是永久失败。当重新启动完成后,它将再次加入网络和功能正常。因此,在我们的模型中,节点在超载状态将恢复时间 。在 ,这个节点不能接收、处理和传输的数据包。当过期,节点将再次成为“正常”。很容易理解,重载节点时可以立即恢复接近0。显然,在这种情况下,可以最小化过载造成的损害。如果方法 ,我们的级联方案相当于传统的“永久删除”计划。

水槽收敛是最明显的特性,网络区别于其他无线网络。在网络中,如果一个传感器节点和汇聚节点之间的联系中断,传感器节点将被视为一个单独的节点作为其消息传递服务不可用。级联失效发生时,一些传感器节点将成为超载和网络连接将严重受损。在这个过程中,某些节点会被孤立的路径水槽节点剪除。当一些重载节点通过重启恢复,可以恢复网络连通性和孤立的节点将会恢复正常。级联机制的状态转换图所示3。

4所示。分析了网络的刀枪不入

4.1。仿真设置

在模拟中,我们网络的大小设置为300和传感器节点随机部署在仿真区域。传感器节点的无线传输半径设置为20 m和水槽节点放置在仿真区域的中心。图4显示了网络拓扑。为了触发级联故障,我们最初的攻击传感器节点的降序排列的sink-oriented中间性。每个节点在初始网络攻击是正常状态。我们使用成活率对级联故障测量网络刀枪不入。作为讨论的部分3.4正常节点的节点,不超载,仍然可以维持到水槽节点至少有一个有效的路径。可以通过计算 在哪里是正常的节点的数量在时间吗 。在这里,我们使用代表生存比当网络达到稳定状态。

4.2。仿真结果

4.2.1。准备验证Sink-Convergence特点

这个实验的目的是验证的sink-convergence特征提出了级联模型。在实际网络中,由于传感器节点在水槽节点需要进行更多message-forwarding任务,他们的负载将明显高于远从水槽节点的节点,这种现象被许多研究人员称为“缩孔”(22- - - - - -26]。显然,缩孔现象是一个重要的指标来判断网络是否下沉收敛的特征。

图5显示网络流量分布由mba级联模型和betweenness-based层叠模型不同,分别。它可以很容易地观察到,之间没有显著差异在水槽节点和节点的负荷节点的负载在其他领域,所以能量洞现象不是很明显。图6显示创建的网络流量分布提出了级联模型。我们可以很容易地观察到在水槽节点高负载高峰,所以sink-convergence特点是验证。

4.2.2。建模参数的影响

作为显示在图7我们可以很容易地发现,指数系数的增加 , 倾向于减少和级联过程将达到稳态速度更快。例如,在even-redistribution方案下,当 , 将达到稳态在81%的时间吗 。当上升到2,将稳定在17%的时间吗 。很容易理解,传感器节点的负载会增加以指数方式快得多的增长 ,这将导致一个更明显的低负荷节点和高负载节点之间的差距。高负载节点受到攻击时,低负荷节点几乎不可能有足够的能力应对失败的额外负载转移高负载节点。在我们的模型中,配置的网络密切相关的数据类型。上述仿真结果告诉我们,大容量数据的类型、风险和级联故障带来的损失会更高,网络设计师应该更加注意预防层叠的失败。

通过对比数据7(一)和7 (b),我们也可以发现idle-redistribution刀枪不入方案演示了一个强于even-redistribution方案当面对级联故障。如果= 1,根据even-redistribution方案和idle-redistribution计划,分别将稳定在47%和83%。这是因为在idle-redistribution方案下,能充分利用闲置生产能力,因此可以解决更多的负载。

从图8,我们可以发现,网络刀枪不入的增加可以显著提高overload-tolerance系数 。在我们的模型中,更高意味着传感器节点可以有更多的能力来处理负载。因此,肯定有一个阈值能够提供足够的传感器节点的能力,可以保护他们免受过载。从图8 (b)下,我们可以发现,级联过程 和 是完全相同的。这一现象告诉我们,阈值应该是在 。

图9描述了构成失败的节点当网络达到稳定状态。我们可以清楚地发现,尽管超负荷相邻节点构成的主要原因节点孤立,大多数失败的节点孤立节点。even-redistribution方案下, ,孤立节点超载节点分别持股63%和21%。此外,随着的增加 ,重载节点的比例往往是小。当达到一定值,将没有重载节点网络,这意味着级联过程将不会触发和唯一的损伤是造成的孤立节点初始攻击。的存在进一步验证。

作为显示在图10,它可以很容易地观察到阈值将增加的增长 ,这意味着更多的能力资源需要保护的网络级联故障。通过对比数据10 ()和10 (b),我们可以发现,在相同的设置idle-redistribution计划下将小于even-redistribution下计划。idle-redistribution方案的优点是进一步证实。

图11描述了恢复时间的影响在成活率 。它可以很容易地观察到倾向于更广泛波动的增加 。在的情况下= 1,当一些传感器节点过载,一方面,他们将重新分配负荷,导致一些其他节点过载在下一个时间步,另一方面,他们可以从过载在下一个时间步恢复由于期满 。因此,我们可以发现,在每个时间步= 2,一些网络中的节点分为失败和节点恢复正常,这使得网络级联过程演示轻微的波动。尽管在这种情况下造成的伤害可以最小化级联故障,它实际上是很难实现,因为传感器节点需要时间来重新启动。当增加到2或3,重载节点需要更多时间恢复,这将使级联故障扩散到更大范围,然后导致更多明显的波动 。当=,传感器节点失去和恢复能力减少单调到稳态值。

5。结论

在本文中,我们开发了一个更现实的网络级联模型。这个模型的最重要的优点是,它可以正确地反映网络的sink-convergence特点。仿真结果表明,网络刀枪不入overload-tolerance系数呈正相关,load-exponential系数负相关;idle-redistribution方案下,网络可以加强对级联故障刀枪不入;和恢复时间的延长将加剧波动的级联过程。这些结果为我们提供了一些有意义的指导方针,建立一个更加无懈可击的WSN与级联故障。

与大容量数据类型更容易受到网络级联故障。

由于idle-redistribution方案的优点,congestion-aware路由协议可以解决更多的负载,从而加强对级联故障刀枪不入。

在这项工作中,我们只讨论了网络的级联刀枪不入只部署一个水槽节点。近年来,multisink网络越来越广泛使用,由于在能源效率和负载平衡的优势。因此,在我们未来的工作,我们希望升级该模型适应multisink轮,并在此基础上,研究其层叠刀枪不入。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

这部分工作是支持由中国国家自然科学基金(国家自然科学基金委)批准号61571336。

引用

1. 傅x, y段w·李,张y,和g . Fortino”进化的小世界网络的无线传感器网络和无标度特性,”复杂性卷,2017篇文章ID 2516742, 15页,2017年。视图:出版商的网站|谷歌学术搜索
2. 傅x、y杨和h .姚明,“分析刀枪不入的无线传感器网络基于耦合映射格子,级联故障”复杂性卷。2018年,14页,2018。视图:谷歌学术搜索
3. 傅x, h .姚明、o . Postolache博士和y,“消息转发WSN-Assisted机会网络在灾难场景中,“网络和计算机应用》杂志上卷。137年,11-24,2019页。视图:出版商的网站|谷歌学术搜索
4. 傅x、g . Fortino和w·李”Environment-cognitive多路径路由协议在无线传感器网络中,”学报2018年IEEE国际会议系统,人,控制论(SMC)IEEE,页2760 - 2765年,宫崎骏,日本,2018年10月。视图:出版商的网站|谷歌学术搜索
5. g . Fortino w·罗威c . Savaglio w·沈和m .周”Agent-oriented合作智能对象:从物联网系统设计实现中,“IEEE系统人&控制论系统,没有。99年,队,2017页。视图:谷歌学术搜索
6. t·吴,吴j . w .你,”鲁棒性优化复杂网络的异构节点功能基于迷因算法,”自然史答:统计力学及其应用卷,511年,第153 - 143页,2018年。视图:出版商的网站|谷歌学术搜索
7. 王y和f·张,“under-load-based级联故障的建模和分析供应链网络,”非线性动力学,卷92,不。3、1403 - 1417年,2018页。视图:出版商的网站|谷歌学术搜索
8. m . Rohden d·荣格、美国Tamrakar和s . Kettemann“在交流电网中,级联故障”物理评论E,卷94,不。第三条ID 032209, 2016。视图:谷歌学术搜索
9. w . Ren, j .吴x张r·赖和l·陈,“级联故障动态随机模型的通信网络,”IEEE电路和系统II:表达内裤,卷65,不。5,632 - 636年,2018页。视图:出版商的网站|谷歌学术搜索
10. y z . Chen j . Wu夏,x张“相互依存的电网和通信网络的健壮性:复杂网络的角度来看,“IEEE电路和系统II:表达内裤,卷65,不。1,第119 - 115页,2018。视图:出版商的网站|谷歌学术搜索
11. j .吴x张马,z荣,和c k .谢霆锋“分歧在传输网络链路容量的变化,“国际期刊的分歧和混乱,28卷,不。9篇文章ID 1850109, 2018。视图:出版商的网站|谷歌学术搜索|MathSciNet
12. h .你y夏,j·吴x周,”鲁棒性评估cyber-physical系统相关性较弱,”自然史答:统计力学及其应用卷。522年,上行线,2019页。视图:出版商的网站|谷歌学术搜索
13. a . Candelieri b . g . Galuzzi西奥达尼,f . Archetti,“公共交通网络脆弱性直接攻击和级联故障,”公共交通,11卷,不。1,1,2019页。视图:出版商的网站|谷歌学术搜索
14. l . h . Liu赵,r .阴,x, y, b . Liu,”一个度量基于级联故障的容错拓扑结构对无线传感器网络来说,“信息与计算科学杂志》上,8卷,不。14日,第3237 - 3227页,2011年。视图:谷歌学术搜索
15. r .阴,b . Liu, y,“无尺度的临界载荷容错拓扑结构的无线传感器网络级联故障,”自然史统计力学及其应用,卷409,不。3,分裂到8 - 16个,页。2014。视图:谷歌学术搜索
16. r . y . Li阴,b . Liu”级联故障研究无标度容错拓扑结构的无线传感器网络,”北京邮电大学杂志》上,37卷,不。2、74 - 78年,2014页。视图:谷歌学术搜索
17. x z, t·温z . Liu歌,和c .傅“容错方案无尺度无线传感器网络的级联失效”学报2016年IEEE信息与自动化国际会议上,IEEE ICIA 2016,页2006 - 2011,中国,2016年8月。视图:谷歌学术搜索
18. 傅x, x, w . Li“基于无线传感器网络的级联失效分析,”《IEEE国际会议系统,人,和控制论,SMC 2015香港,页1279 - 1284年,2015年10月。视图:出版商的网站|谷歌学术搜索
19. 傅x、y杨和o . Postolache博士“刀枪不入集群无线传感器网络的级联故障,”IEEE系统杂志,没有。99年1 - 12,2018页。视图:谷歌学术搜索
20. 傅x, h .姚明,y,“层叠的动力学建模和分析集群无线传感器网络,”可靠性工程和系统安全卷,186年,页1 - 10,2019。视图:谷歌学术搜索
21. x赋,h .姚明,杨y”建模和分析无线传感器网络的级联刀枪不入,”IEEE传感器杂志,19卷,不。11日,第4358 - 4349页,2019年。视图:出版商的网站|谷歌学术搜索
22. c .秋h .沈和k·陈,“资源节约型、分布式合作机制在轮k-coverage孔检测和治疗,”IEEE移动计算,17卷,不。6,1247 - 1259年,2018页。视图:出版商的网站|谷歌学术搜索
23. 美国詹努和p . k . Jana拍摄“基于网格的聚类和路由算法解决无线传感器网络中的热点问题,“无线网络,22卷,不。6,1901 - 1916年,2016页。视图:出版商的网站|谷歌学术搜索
24. 邓x, z, l·t·杨·m·林和b . Wang“自信的信息覆盖洞愈合混合工业无线传感器网络,”IEEE工业信息,14卷,不。5,2220 - 2229年,2018页。视图:出版商的网站|谷歌学术搜索
25. j . Ren y, k, a . Liu j . Chen和x沈,“一生和能源孔演化分析无线传感器网络数据收集,”IEEE工业信息,12卷,不。2、788 - 800年,2016页。视图:出版商的网站|谷歌学术搜索
26. 黄h . h .阴g . Min x张w·朱和y . Wu”Coordinate-assisted路由方法绕过路由无线传感器网络中的漏洞,”IEEE通讯杂志,55卷,不。7,180 - 185年,2017页。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Xiuwen傅等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。