边界地区在无线传感器网络中检测连续对象

文摘

工业物联网促进灾害监测的应用得到了广泛的应用,如液体泄漏和有毒气体检测。由于灾害通常是对环境有害,检测准确的边界地区连续对象资源节约型、及时是一个长期研究的挑战。本文提出了一个新颖的机制连续对象边界地区检测在雾计算环境中,在传感网络部署地区可能存在漏洞。利用感官收集了数据,应用了插值算法来估计感官数据在特定的地理位置,为了估计更准确的边界线。检查是否估计感官数据反映了这一事实,移动传感器采用遍历这些位置来收集他们的感官数据,并相应边界地区校准。实验评价表明,该技术可以生成一个精确的对象边界地区特定的时间限制,而且可以显著延长网络的生命周期。

1。介绍

雾的概念计算现在吸引了越来越多的关注,因为雾计算承诺提供一个相对较低的延迟和高效的服务1,2]。不同于云计算,雾计算是地理上接近网络边缘,在那里大多数异构物联网(物联网)设备。因此,应用程序可以完全或,至少部分,实现在边缘节点,和,因此,感官数据可能不被要求被路由到云为了减少网络流量。雾计算的一个典型应用在工业物联网是灾害跟踪和管理3- - - - - -5),有毒液体硫酸会导致土壤酸化和,更糟糕的是,氨气等有毒气体将一旦泄露对人体有害。在工厂监控等工业应用,传感器部署监控气体,液体,或其他危险物品。在本文中,我们集中精力连续对象边界检测,传统技术已经探索了这一主题6- - - - - -8]。如图1无线传感器网络(网络)作为物联网的基础。在雾中计算、感官传感器节点提供的数据路由到连续的雾节点进行进一步的处理,和这些感官数据需要被路由到云自雾节点弱的能力来处理这些数据。因此,分析这些数据在雾中节点在一个有效的方式,因此,检测的边界地区连续对象在一个精确的和(附近)实时的方式是一种很有前途的研究课题9]。

能源效率是物联网的关键问题,从物联网智能事情大多是电池供电,他们几乎是充电由于恶劣的工作环境。提出了传统技术,节能算法边界检测和监测(COBOM)提出了边界检测通过选择一组边界节点(10]。每个传感器节点保存其邻居节点状态数组。邻国的头抑制传感器节点感知数据和报告的聚合数据分组到水槽节点。在一个特定的数据报告,将选择几个有代表性的边界节点报告他们的感官数据。

睡眠调度是传感器网络应用于减少能源消耗。在[11),作者提出了对象边界监测睡眠调度方案。周围的几个传感器节点已经存在的边界应该被激活,当其它节点保持在睡眠模式。一般来说,这些计划采用部分传感器节点的数据采集的目的,因此,对于减少网络开销。然而,这种策略可能会导致一个粗对象边界检测,因为许多传感器节点可能不会报告他们的感官数据到水槽来支持决策。

研究了精确对象边界检测。在[12),作者提出了一个动态集群结构检测和跟踪一个精确的对象边界。动态边界节点组织成特定的集群。每个集群的头节点收集感觉其他传感器节点的数据并将这些数据发送给汇聚节点。更多的能量消耗在数据传输,以得到一个精确的边界。在[13),提出了一种数据聚合方案减少包在网络中传感器节点的数据。探测和跟踪一个精确的边界,应用分段二次多项式插值方案。然而,这种技术并不检查预测边界,因为它可能不是正确的预测部分的边界。

感应孔和检测连续对象的精确边界(14,15),作者提出了一种机制,通过采用移动传感器精确和有效的边界检测,在障碍不考虑16]。一般来说,一些静态传感器节点部署,而移动传感器应用于检测传感洞。在传统的方案中,对象边界形状是影响传感器节点的密度和部署。这意味着更多的传感器节点部署,应该得到更精确的边界。此外,相对大量的感知数据应该引起网络拥塞。注意静态传感器网络很难生成更精确的对象边界当物体保持相对稳定,因为可能会有很少的传感器节点部署在边界地区。在这种方案,移动传感器沿着interpolation-based估计边界将遍历检测更准确的对象边界。

本文提出了一种有效的机制对象边界检测在雾的计算环境。移动传感器协作绕过感应孔生成一个精确的对象边界,而能源效率是一个主要的问题。这个提议的主要贡献机制总结如下:(我)采用空间插值算法来估计网络中对象的边界地区,在感官静态传感器节点提供的数据作为基础。一个阈值,反映了潜在的事件的发生,规定,可能对象边界生成和表示为一条曲线。潜在的点在曲线上,对应于巡航停止移动传感器节点的位置,识别,为了评估适用性根据相应的感官数据对象的边界。(2)能量平衡机制是开发移动传感器的行程时间表。具体来说,移动节点的巡航的时间估计通过计算所需的时间访问所有点曲线。得到移动传感器的数量在考虑时间约束的某些应用程序。多个移动传感器的行程安排可以减少为一个多目标优化问题,可以通过采用启发式算法来解决。

广泛的评估进行评估对象边界的准确性和移动传感器部署技术的性能。结果表明,该机制对物体边界地区检测可以有效地找到一个精确的对象边界。同时,利用移动传感器可以发现感应孔与特定的时间限制。

本文组织如下。部分2介绍了相关的概念和技术。部分3介绍了网络初始化机制。精确的边界区域检测机制是开发的部分4。部分5本文开发的评估技术。部分6评论和讨论相关技术和部分7总结这篇文章。

2。初步

本节介绍了网络模型,定义了相关的概念。算法包括空间插值和平面图。

2.1。网络模型

传感器节点部署在一个二维网络区域。有两种类型的传感器节点的传感模式。固定的传感范围意味着传感器节点的传感半径不能被改变,同时调整感应范围意味着否则。在本文中,我们采用一个固定的传感器节点的传感范围。我们定义了两种类型的传感器节点的传感范围是不可调的。不同于(17),我们给概率感知模型,传感器检测到一个事件的概率定义如下: 在哪里代表了传感器节点的传感半径。

一般来说,移动节点的通信半径大于静态的传感器。移动节点的能量消耗主要是为他们的运动和交流的过程。为对象,定义一个形状和边界曲线应该识别和相应的阈值,它定义了某个事件的发生。

定义1(边界线(提单))。这是一个曲线,感知价值等于指定的阈值。提单代表对象的边界。一个对象被提单所包围。

在本文中,静态传感器分为不同类型根据其传感特性。一个传感器节点的感知价值是高于阈值称为内部节点()。一个传感器节点的感知价值低于阈值称为外节点()。提单分开对象及其周边。

如图2,所有的蓝色和黑色节点位于黄色物体区域感知对象,INs。相反,所有的绿色节点位于对象以外的地区是国家统计局。

定义2(内部边界节点(IBN))。属于一个节点,既有内部节点和外部单邻居节点。

定义3(外边界节点(OBN))。一个节点属于有内部节点和外部节点上单的邻居。

所有伊本属于肠易激综合症,OBNs属于奥林匹克广播服务公司。伊本和OBN被认为是更接近提单,因为,周围,存在不同类型的静态传感器。

2.2。空间内插

空间插值算法广泛应用于地理信息系统等灾害风险分析,特别是农业和事件预测。预测未知对象的条件,空间插值算法,即逆距离加权(IDW),本文中应用。

假设代表了一个位置,我们希望获得它的估计价值 ,和受到所有的点存在一个真实的感知价值。之间的距离是和和是一个参数影响插值的结果;它通常是设置为2。的影响来成反比 :

的主要步骤逆距离加权列出:(我)计算距离点之间的和所有已知点。(2)计算每个点的重量 ,距离的倒数是哪一个和 。(3)计算点的预测价值根据公式(3)。

2.3。平面图

平面图是一种图由三部分组成:顶点,边缘,和脸。在平面图中,每个面是由一个封闭的多边形顶点( )。在网络,平面图形通常应用于组织传感器网络,开发了多种整平算法。的加布里埃尔抢h (GG)和相对邻域图(RNG)中给出两种著名的平面图(18]和[19),分别。

图3显示RNG和GG。在提高,如果一个节点位于十字路口的圈子呢和半径为 ,然后边 被删除,它构建优势 , 分开。在GG,如果一个节点位于圆中点的和的直径 ,然后边 被删除,分别构建优势 , 。

根据平面图,我们定义以下。

定义4(边界的脸(BF))。一个多边形面积除以平面图包含伊本和OBN顶点。

定义5(边界区域(BA))。它是一个连续的区域,由石。

一个例子是显示在图4。黄色区域是对象。所有的蓝色和黑色节点代表。所有绿色节点代表。所有的多边形区域与伊本的蓝色和OBN深绿色颜色命名的男朋友,他们形成了英航的红线。提单是围绕着黄色的曲线。

3所示。感觉数据插值

在本节中,给出了初始化网络战略。平面图形算法总是应用于建立拓扑网络数据传输和网络分裂。空间插值算法应用于预测对象边界。

3.1。静态传感器数据采集

静态传感器网络中部署区域。一旦部署,他们的位置是固定的。网络通常是看着一个自组织网络(20.]。静态传感器与附近的节点;这些传感器可以传输基站的位置信息利用网络拓扑结构(21]。

静态传感器由储能有限。减少能源消耗,感应时间槽。在第一次槽,静态传感器开始感觉周围环境和数据传输到基站。后,他们停止传感,直到下一个感应时间槽。

不同于致密网络有这么多传感器部署在网络区域,本文致力于一个稀疏的网络部署静态传感器相对少。所以有一些感应孔在该地区。在提议的策略中,静态传感器部署,我们在小范围内收集所有传感器的数据在每个时间段,而不是在许多研究部分收集感官数据如前所述。

我们不关注静态传感器的数据传输策略主要是因为许多研究致力于数据传输路由问题。在本节中,我们使用平面图算法构建一个静态路由映射传感器和网络划分区域。不同的网格划分机制(22,23]本文中的网络分为许多小的脸。在每个面地区,边缘连接两个节点单跳通信范围内。每个传感器在这张地图上可以传输数据和位置信息的感官数据通过多次反射网络基站。

3.2。IDW空间插值机理

一旦所有传感器基站传输他们的感官数据,那么数据将在下面分析步骤:(我)基于平面图形、粗边界地区英航是由石。整个网络区域划分为许多亚区和静态传感器是根据平面图形的顶点亚区。然后BFs伊本和OBNs选择顶点和英航包含所有这些石。(2)基于真实数据感觉到所有静态传感器,我们申请逆距离加权为每个点生成预测价值,没有真正的传感数据。根据插值结果,我们生成一个曲线称为预测提单,所有插补值等于阈值。

4所示。移动传感器路由

人们认为传感网络中存在漏洞,因为稀疏的静态传感器部署。预测提单生成后,曲线反映真相,做出更精确的对象边界区域,移动传感器应用于圆曲线。在本节中,我们提出一个停止的策略选择。提出了移动传感器部署和路由策略。最后,对象边界区域精度进行了探讨。

4.1。停站的选择

基于预测的提单,我们试图得到真实的数据。遍历整个预测和遥感提单是不现实的,这是一个常识,试图通过一些代表性的位置是有效的。移动传感器与传感的能力也和传感范围有限。在拟议的战略中,假设为移动传感器是传感范围 。找到一些合适的停止,可能主要反映曲线的真实情况,两个站之间的距离应该是合适的。我们建议两个相邻停止站之间的距离是0.9的范围内和 。如图5,它保证曲线完全覆盖。和一个合适的距离也可以减少重叠。

算法1提出了选择停站。首先,最初的停止点是随机选择的 ,和第二点这是在来距离远选择(1 - 2行)。然后停止位置点集的选择吗根据生成的(6 - 10行)。是一个点集的点是0.9吗来距离远 。选择后 ,一些点仍然没有如此接近现有的停止点( )(7 - 9行)。然后随机选择留在(第10行)。当一组停止点被选择,然后检查是否一个站是另一个点或传感器的传感范围内感官数据已经存在(12行)。

4.2。移动传感器测定和路由方案

在这一部分,我们将讨论如何部署移动传感器和优化路由。在某些应用程序中,不仅节能,而且还考虑时间约束。

4.2.1。准备移动传感器测定

作为一组停止点被选择,然后我们部署移动传感器来遍历所有这些点为了得到真实的感官数据。首先是考虑时间约束。我们假设遥感传感器的环境支出是即时而移动。所以我们只关注时间消耗在移动传感器的运动。基于这样的假设,我们提出一个简单的方法通过部署一定数量的移动传感器,以确保所有的停站可以遍历。

起初,估计距离链接生成所有的停站。是由选择停止站并将其最近的停止,然后下一站也与最近的停止,直到所有停止联系在一起。然后基于移动的速度传感器 ,估计总时间 计算。根据时间约束 ,我们得到一个最小数量的移动传感器 。

4.2.2。移动传感器路由方案

的移动传感器的数量,在本部分中,基于启发式算法的机制。该方案的目标是为所有移动传感器找到最佳的工艺路线。它要求能源消耗和时间消耗为每个移动传感器是相似的。它可以被制定为一个多目标优化问题。一些参数表示如下:(我) 是一个移动的移动距离传感器 。(2) 是停止站移动传感器的数量吗将遍历。(3) 能源消耗的运动距离与速度 。我们假定所有这些传感器有相同的运动能力。(iv) 在数据传输能耗。是感官数据生成的方案停止。(v) 时间是一个移动传感器会花。 。约束条件是 。(vi) 代表了能源消耗的方差在传感器的运动。(七) 代表了能源消耗的方差在传感器的感应。

输出是一个元组,包括一系列的序列来表示 在哪里代表一个有序数组,移动传感器停止点将遍历。

适应度函数定义如下: 在哪里和是两个子对象的重量。他们可以调整两个子对象的重要性。通过调整的价值和 ,我们可以确定两个子对象的重要性。

为了解决这个multiconstrained和多目标优化问题,启发式算法如算法可以应用于解决这种类型的问题(24,25]。算法是一种进化算法受蚂蚁寻找食物的行为。它模拟生物进化的过程中找到最佳的解决方案。我们应用它找到一个最优停止为每个移动传感器阵列。通过采用配电网技术,一个近似最优 是发现。

4.3。对象边界区域精度

移动传感器导线本身自己的工艺路线,他们收集所有停止的感官数据位于预测提单。感官数据反映了真理,停止和它可能是不同的在一些停止与他们的预测值。随着越来越多的被发现,我们使用平面算法再划分网络;然后我们可以得到一个新的英航。封闭的面孔的提单可以更小,因此,新的英航的形状可以更小,英航可以更精确的反映对象边界。

为了反映对象边界周围的真实情况,前面的步骤重用得到越来越准确的提单。细节中表示算法2。首先,它使用现有的感官数据插入在当前BA(第1行),然后选择一组根据算法停止站在新的提单1并部署这些停止移动传感器导线站(2 - 5行)。根据新的感觉移动传感器收集的数据,应用平面算法将网络区域和生成更精确的BA(第6行)。

5。实施和评价

原型已经在Java程序中实现和混合传感器网络构造。实验设置和结果展示如下。

5.1。实验设置

提出了我们的实验的参数设置表1。有一个500米 500网络区域和静态传感器的数量范围从100年到500年在100年的增量。我们假设对象是一个圆。有三种不同类型的对象,其半径范围从40 m - 120 m增加了40米。感知价值的中心对象的对象是300和阈值设置为216.5。这意味着一个位置的感知价值是高于阈值内的对象。在本节中,提出机制的性能验证了不同的限制条件。

5.2。边界区域精度分析

在这一部分,我们将讨论英航的精度。不同的平面算法的影响,静态传感器、密度之间停止对象大小和距离是考虑。我们分析这四个因素的影响在这个部分。

5.2.1。平面算法的影响

两个不同的平面算法GG和RNG本文应用。图6显示了英航的形状的变化。有300个静态传感器部署在该地区,和对象的半径80米。蓝色区域是英航的对象。与最初的网络相比,BAs与迭代更普通,可以更准确地反映真实的边界地区。很明显,GG和RNG导致英航的不同形状。事实上,GG和提高组织网络拓扑结构在不同的方式,和他们的脸的大小和形状是不同的。这导致两种算法之间的差异。

5.2.2。不同数量的静态传感器的影响

在本部分中,GG和提高都是用于初始化网络。和静态传感器的数量从100年到300年不等。数据7和8显示的变化大小的英航和停站的数量。在图7随着时间的增加,英航的大小减少所有的曲线。一段时间后,每个曲线趋于稳定的趋势。的增量 ,英航的大小减少在GG和RNG,分别。

图8显示阻止的增量。站的数量增加,但增长率下降。原因是,越来越多的选择停止位于预测提单,他们几乎已经覆盖了预测提单。事实上,当停止的数量增加,规模提单附近增加边界的面孔,和边界面临的数量减少。最后,提单是由一个狭窄的边界地区。

5.2.3。对象大小的影响

数据9和10显示仿真结果。对象的半径设置为40米,80米,120米,分别。图9显示了英航的大小随着时间的增加,槽。比较在相同的对象的大小,GG和提高执行在英航的面积不同。很明显,英航的大小当GG应用主要是小于的RNG在每个时间段。

图10是停止站的增加的结果。停止站数量的增加随着时间的增加。增长率下降,但增长速度在所有这些曲线是相似的。停站的规模数量不同半径的对象时是不同的。对象半径越小,越不停止站选择在预测提单。

5.2.4。站之间的距离的影响

数据11和12显示仿真结果。之间的距离阻止范围约为0.5到1.5增加的0.5 。在图11随着时间的增加,槽,英航的大小减少在所有的曲线。一段时间后,每个曲线趋于稳定的趋势。在GG,英航的范围面积增加时停止增加之间的距离。在提高,当两个之间的距离最近的车站是在一系列停止 ,英航的面积是最小的范围。很明显,不同的距离范围之间停止对英航的大小有影响。

图12显示停止站的数量。在每个曲线,停止的数量增加的时间。和停站数的增长率下降。当距离是0.5 ,停止数的增加是不足的和1.5 。和增加的趋势停止当两个最近的站之间的距离或1.5是相似的。事实上,如果存在许多选择停止提单附近,很难选择停止,因为大多数的相关地区已发现,不需要再次检测到它们。

5.3。边界精度分析

在本部分中,提单显示的精度,我们比较建议的机制和COBOM [12]。使用对象边界精度进行比较。本文中的对象边界精度的边界节点比例接近对象边界。如果更多的边界节点是接近真实的边界,边界精度更高。

图13显示了边界的结果精度在不同密度下的节点部署。建议的机制比COBOM边界精度更高,因为机制在本文中可以得到的感官数据传感洞。移动传感器部署搬到这个地区没有静态传感器。COBOM只允许少量的传感器来报告他们的数据;然而,网络稀疏和代表节点可能远离真正的边界。COBOM没有变化的曲线。这是因为对象边界是稳定的。在每一个时间段,边界节点的地位没有改变。所以边界精度不是改变了曾经在COBOM边界节点被选中。

图14显示了边界的结果精度与不同距离停止。我们300传感器节点随机部署在一个500米 500米的地区。的距离两个最近的范围从0.5到1.5 。随着时间的增加持续时间,在所有曲线边界精度保持稳定。他们在一个高水平从90%降至98%。事实上,一个覆盖停止可以提高检测的准确性。

5.4。移动传感器的性能分析

在本节中,我们分析移动传感器的性能。网络初始化后,我们选择一些停止站在预测提单。假设时间约束 ,这意味着我们应该收集所有的感官数据之前 。我们估计一个长度遍历所有的停止,计算和预测最小数量的移动传感器基于移动的速度传感器。然后这个问题可以看着一个多旅行商问题,和算法应用于解决这个问题;目标函数是最小化所有移动的总长度传感器和平衡每个移动传感器的长度,从而平衡时间消费。

时间约束设置为50年代,我们知道吗 m / s。根据和 ,我们实现三种不同大小的对象约40米,80米和120米。移动传感器的数量范围从1到5。数据15- - - - - -20.显示结果的实现。

在数据15,17,19方差的变化,能源消耗。很明显,方差减少和趋势一个稳定值。这意味着每个移动传感器产生乐观的调度。

在数据16,18,20.移动传感器,最大和平均时间消费显示不同的对象从40米至120米不等。很明显,根据拟议中的计划,必须有一个合适的移动传感器数量可以满足时间约束 。随着越来越多的移动传感器网络中的部署,最大和平均时间消费将减少。

6。相关的工作

有长期的网络对象检测和跟踪的研究进展。最近,雾计算框架已经越来越流行在物联网的应用程序(26- - - - - -29日]。在[30.),移动传感器网络应用于入侵检测,雾计算应用于改善网络性能。提出了一种三层模型的WSN在哪里底部层。雾服务器位于中间层管理网络和连接到云上。雾计算构建一个灵活的框架来收集数据。它更接近,这样可以减少延迟的数据源。

在[31日),有毒气体边界区域检测方案的目标是检测边界区域,而不是一个单一的边界线。整平算法应用到网络区域,它分为许多小的脸。然后基于内部边界节点(IBN)和外边界节点(OBN),他们确定边界地区。伊本的阅读是一个节点,有毒气体高于报警阈值。OBN是节点的阅读有毒气体低于报警阈值。边界区域的特点是伊本和OBNs顶点。但它不前进检测面临内部的孔。在本文中,我们专注于检测的传感洞移动传感器根据预测边界线和边界区域是更精确的形状。

在[10),一个节能算法检测和监测对象边界称为COBOM提出。他们只选择一个节点向水槽节点报告的一部分。如果当前阅读的传感器是不同于以前的阅读,它广播阅读和ID信息。一个节点接收到阅读和信息将存储在BN-array。如果其BN-array存在于不同的阅读,它变成了一个边界节点(BN)。只有一部分的bn选择报告消息到水槽节点,称为代表节点。这些代表节点也抑制他们的邻居节点,所以没有明显的信息就会被丢弃。在DEMOCO [32),如果一个节点收到一个消息包含相同的地位,它忽略了消息。如果接收到一个不同的消息,也不同于至少一个邻居节点,它被称为一个边界节点。不同的退下的时间分配给不同的边界节点,如果边界节点早在短时间内,它会抑制其他附近的边界节点发送消息。他们被称为代表节点(RNs)的方法。与COBOM相比,DEMOCO产生更少的BN和RN节点和它比COBOM表现更好。

睡眠调度机制,提出了网络是一个节能的方式。在[11)节能方案监控大规模对象使用。起初,传感器节点相邻节点发送消息。一个节点接收消息包括不同的地位和最短的距离与发件人节点称为边界节点(BN)。然后主边界节点(拥有)选择从bn基于接收到的事件消息。拥有是一个RN在组合和DEMOCO相同的概念。根据上述步骤,预测下一个边界到拥有之间的合作。公认的边界线与拥有命名当前的边界线。根据对象传播,他们画一个预测下一个边界。睡觉的传感器节点在接下来的边界区睡醒了发送报告。在这个方案中,只有靠近边界区域的传感器节点被激活来节约能源。 And next boundary is predicted to a precise object boundary detection.

作者在33]介绍了有毒气体监测睡眠调度方案。气体泄漏区域内的传感器节点被选中作为区域负责人根据最大残余能量通过限制洪水的区域内选择信息。CKN算法确保全球连通性。每个清醒的节点感知状态报告和网格中心本身,直到覆盖区。清醒的节点发送一个唤醒消息包含它的位置,节点ID和网格点的坐标覆盖本身对其单sleep-neighbor。睡眠节点估计和醒来根据其邻居节点的状态。

在[9)移动元素路径规划时间控制的数据采集方案。数据产生的测量需要交付给预定义的沉在一个给定的时间间隔从一开始测量。移动元素单独旅行一个预定义的路径和收集数据。每个节点应该访问,node-disjoint调度方案提出了搜索一个近似最优路径。在我们以前的工作(34],WSN地区分成许多小区域:每个区域应该访问移动传感器来收集数据。部署在多个移动传感器网络:他们每个人负责一个特定的子区域,和启发式算法应用于路由。

在[35]介绍了蚁群优化(ACO)消费者家庭自动化调度移动传感器网络。网络划分为多个集群和只有一个传感器节点在每个集群作为CH。一个节点有一个相对较高的残余能量叫做CH。它形成一个中心一个集群的广播消息到其他附近的传感器和采集数据。作者在这部作品只应用一个移动传感器导线CHs和收集数据。部分节点的移动传感器缓解过度消费的生命周期,延长消费者家庭网络。算法利用计划的移动路径移动传感器。在我们的工作中,我们应用多个移动传感器考虑及时性。

7所示。结论

在本文中,我们提出通过应用移动传感器检测物体边界地区。网络是除以平面算法。估计对象边界派生通过应用插值算法。检查是否边界反映了这一事实,候选人传感位置被发现,移动节点收集传感数据遍历。启发式算法(即。,ACO) is applied to generate optimal paths for mobile sensors. Experimental results show that the proposed mechanism can get a precise object boundary region and can balance the energy consumption and time consumption for mobile sensors.

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持部分由中国国家自然科学基金(批准号61772479)和基础研究基金的中央大学(中国地质大学(北京)、中国)。

引用

1. l高,t·h·烹调的菜肴,s . Yu w·周和b . Liu”FogRoute: DTN-based数据传播模型在雾中计算,”IEEE物联网,4卷,不。1,第235 - 225页,2016。视图:出版商的网站|谷歌学术搜索
2. r .罗马,j·洛佩兹和m . Mambo”移动边计算,雾et al。:调查和分析的安全威胁和挑战,”未来一代计算机系统,2016年。视图:出版商的网站|谷歌学术搜索
3. r·卢k . 02 A . h . Lashkari和A . A . Ghorbani”一个轻量级的保护隐私数据聚合方案雾computing-enhanced物联网,”IEEE访问5卷,第3312 - 3302页,2017年。视图:出版商的网站|谷歌学术搜索
4. d . v . Manatakis和e . s . Manolakos估计扩散的时空演化特征使用无线传感器网络的危害,”IEEE并行和分布式系统,26卷,不。9日,第2458 - 2444页,2015年。视图:出版商的网站|谷歌学术搜索
5. t .秋,r·乔,d . Wu”eab:一个事件感知反压力调度方案应急物联网,”IEEE移动计算,2017年。视图:出版商的网站|谷歌学术搜索
6. W.-R。Chang H.-T。林,Z.-Z。程,“CODA:连续对象检测和跟踪算法无线特设传感器网络”第五届IEEE消费者通讯和网络研讨会论文集(CCNC ' 08)2008年1月,页168 - 174。视图:出版商的网站|谷歌学术搜索
7. 美国公园,h .公园、李和工程学系。金”,可靠和灵活的大规模无线传感器网络现象,检测”IEEE通信信,16卷,不。6,933 - 936年,2012页。视图:出版商的网站|谷歌学术搜索
8. 美国伊姆兰和Y.-B。Ko,”连续对象边界检测和跟踪计划破产的传感器网络,”传感器,17卷,不。2、第361条,2017年。视图:出版商的网站|谷歌学术搜索
9. k . Almi阿尼,a . Viglas和l . Libman”移动元素路径规划时间控制的数据采集的无线传感器网络,”《24日IEEE国际会议上先进的信息网络和应用程序,AINA2010,页843 - 850,澳大利亚,2010年4月。视图:出版商的网站|谷歌学术搜索
10. c .钟和m . Worboys“节能连续边界监测传感器网络,”技术。代表,2007年。视图:谷歌学术搜索
11. 美国公园,S.-W。在香港,李,工程学系。金,n . Crespi,“大规模移动现象监测无线传感器网络节能,“计算机网络卷,81年,第135 - 116页,2015年。视图:出版商的网站|谷歌学术搜索
12. x, h .咋j·j·梅兹勒,和g . Kesidis”动态集群结构特别对象检测和跟踪的无线传感器网络,”学报2004年IEEE国际会议交流联邦铁路局,页3807 - 3811年,2004年6月。视图:谷歌学术搜索
13. 周宏儒。Lee m . t .国企,s . h . Chauhdary s Rhee, M.-S。公园”,数据聚合方案边界连续对象检测和跟踪,系统”智能自动化和软计算,23卷,不。1,第147 - 135页,2017。视图:出版商的网站|谷歌学术搜索
14. y张x张w·傅z . Wang和h·刘,“HDRE:覆盖洞检测残余能量的无线传感器网络,”通信和网络杂志》上,16卷,不。5,493 - 501年,2014页。视图:出版商的网站|谷歌学术搜索
15. f ., a·韦尔·马丁斯和l . Decreusefond“同源检测在无线传感器网络中分布式覆盖洞,”IEEE / ACM交易网络,23卷,不。6,1705 - 1718年,2015页。视图:出版商的网站|谷歌学术搜索
16. s Das、i Banerjee和t . Samanta”传感器定位和障碍边界检测算法基础上,”学报》第三届国际会议上提出在计算和通信2013年8月,页412 - 415。视图:出版商的网站|谷歌学术搜索
17. k·m·阿拉姆j . Kamruzzaman g . Karmakar和m . Murshed“动态调整感应范围事件的报道在无线传感器网络中,“网络和计算机应用》杂志上,46卷,第153 - 139页,2014年。视图:出版商的网站|谷歌学术搜索
18. k·r·加布里埃尔和r·r·索”,一种新的统计方法地理变异分析,“系统的生态,18卷,不。3、259 - 278年,1969页。视图:出版商的网站|谷歌学术搜索
19. g·t·杜桑,“相对附近一套有限的平面图形,“模式识别,12卷,不。4、261 - 268年,1980页。视图:出版商的网站|谷歌学术搜索|MathSciNet
20. t .秋a .赵f .夏w . Si和d . o . Wu”罗斯:鲁棒性策略无标度的无线传感器网络,”IEEE / ACM交易网络,25卷,不。5,2944 - 2959年,2017页。视图:出版商的网站|谷歌学术搜索
21. t·邱r·乔·m·汉,A . k . Sangaiah。李,“一个Lifetime-Enhanced物联网数据采集方案,“IEEE通讯杂志,55卷,不。11日,第137 - 132页,2017年。视图:出版商的网站|谷歌学术搜索
22. z, c . Du l .蜀g . Hancke j .妞妞和h .宁,”一个检测移动水槽调度启发式混合网络,”IEEE工业信息,12卷,不。1,28-40,2016页。视图:出版商的网站|谷歌学术搜索
23. 沙玛,d . Puthal s Tazeen m·普拉萨德,A . y . Zomaya”MSGR: Mode-Switched基于网格的可持续为无线传感器网络路由协议,”IEEE访问5卷,第19875 - 19864页,2017年。视图:出版商的网站|谷歌学术搜索
24. 林y, j . Zhang工程学系。钟,w·h·Ip, y,中州。施”,一个蚁群优化方法最大化异构无线传感器网络的生命周期,”IEEE系统,人,控制论,C部分:应用程序和评论,42卷,不。3、408 - 420年,2012页。视图:出版商的网站|谷歌学术搜索
25. s . w . Liu李、f .赵和甄,”一个蚁群优化算法对多个旅行推销员问题,”学报》2009年第四届IEEE会议工业电子产品和应用程序,ICIEA 2009,页1533 - 1537,中国,2009年5月。视图:出版商的网站|谷歌学术搜索
26. t . n . A . m .,压力Gia, b . Negash et al .,“利用智能e-Health在边缘的医疗物联网网关:雾计算方法,”未来一代计算机系统卷,78年,第658 - 641页,2018年。视图:出版商的网站|谷歌学术搜索
27. l . j . Liu j . Li Zhang et al .,“安全智能交通灯控制使用雾计算。”未来一代计算机系统卷,78年,第824 - 817页,2018年。视图:出版商的网站|谷歌学术搜索
28. b . r . Stojkoska k Trivodaliev, d . Davcev”物联网家庭护理系统,框架”无线通信和移动计算卷,2017篇文章ID 8323646, 2017。视图:出版商的网站|谷歌学术搜索
29. a . Yousefpour g .石垣岛,r .在和j.p.爵,“降低物联网服务延迟通过雾卸载”IEEE物联网1页。视图:出版商的网站|谷歌学术搜索
30. Yaseen, f . Albalas y Jararweh, m . Al-Ayyoub“雾计算基于选择性转发探测系统在移动无线传感器网络,”学报第一国际研讨会Self-Systems基础和应用,FAS-W 2016,页256 - 262,德国,2016年9月。视图:出版商的网站|谷歌学术搜索
31. l, m·穆克吉,吴x”有毒气体边界区域检测与工业无线传感器网络,大型石化工厂”IEEE通讯杂志,54卷,不。10日,22 - 2016页。视图:出版商的网站|谷歌学术搜索
32. 黄永发。金,K.-B。金,s . h . Chauhdary w·杨,M.-S。公园,“DEMOCO:节能检测和监测连续对象在无线传感器网络中,“IEICE交易通讯,E91-B卷,不。11日,第3656 - 3648页,2008年。视图:出版商的网站|谷歌学术搜索
33. m·慕克吉l .蜀l . Hu g . p . Hancke和c·朱,“睡眠调度在工业无线传感器网络对有毒气体监测、”IEEE无线通讯杂志,24卷,不。4、106 - 112年,2017页。视图:出版商的网站|谷歌学术搜索
34. 周y, z d .赵m . Barhamgi t·拉赫曼,“基于调度机制的移动传感器在轮对时间敏感的应用程序中,“IEEE访问5卷,第1569 - 1559页,2017年。视图:出版商的网站|谷歌学术搜索
35. 曹j . j . Wang,李,李,和r . s中“基于仿生蚁群优化聚类算法与移动下沉消费者家庭自动化网络的应用程序,“IEEE消费类电子产品,卷61,不。4、438 - 444年,2015页。视图:出版商的网站|谷歌学术搜索

版权

版权©2018 Yaqiang Zhang et al。这是一个开放的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。