研究文章|开放获取
——“Aimtongkham,三Gia Nguyen Chakchai, ”拥塞控制和预测计划使用模糊逻辑系统自适应无线传感器网络的隶属函数”,无线通信和移动计算我>, 卷。2018年, 文章的ID6421717, 19 页面, 2018年。 https://doi.org/10.1155/2018/6421717
拥塞控制和预测计划使用模糊逻辑系统自适应无线传感器网络的隶属函数
文摘
网络拥塞在资源受限的网络是一个关键的挑战,尤其是那些有限的带宽,以适应大容量数据传输,导致不利的服务质量,包括如包丢失和低吞吐量的影响。这个挑战是至关重要的无线传感器网络(网络),限制和约束,包括有限的计算能力、内存和传输由于独立的电池,这限制了传感器节点的寿命。确定路径,以避免拥挤的路线可以延长网络。因此,我们提出一个路径确定了网络架构,考虑了交通拥堵。架构分为三个阶段,包括最后的标准路径确定:(1)初始路径建设自上而下的分层结构,(2)与节能意识辅助路由路径推导,和(3)拥塞预测使用指数平滑法。与几个因素,如跳数,剩余能量,缓冲区占用和转发率,我们应用模糊逻辑系统的层数,以决定适当的权重中这些因素除了优化重量使用蝙蝠通过隶属度函数的算法。仿真结果表明该方法的性能优越的高吞吐量,低丢包、平衡的整体能耗,延长网络的生命周期比最先进的协议。
1。介绍
最近,根据加德纳(1),80亿多个设备连接和相互作用形成物联网网络(物联网),其中大部分执行传感和监控任务(2)和报告他们的数据在云平台进一步分析使用大数据技术(3]。参与这一趋势的一个关键技术是使用无线传感器网络(网络)4]。
在网络,许多传感装置或传感器节点(SNs)相连,通常通过无线传输(例如,无线电频率(RF))来克服wire-based基础设施的限制。这些社交网站可以形成一个特设网络(多次反射传输通过继电器或中间SNs) self-computing,自给自足,自组织,可以与外部网络中的节点向网关(水槽节点或基站(BS)) (5]。
虽然SNs涉及多功能设备,包括传感、计算、存储和传输单位,关键的限制是在他们的能源消耗。电池的自备供应决定了SN一生。除了几轮的优点,有很多挑战,比如路由、定位、服务质量(QoS)和安全(6,7]。特别是大规模网络流量在网络上是巨大的,导致数据传输问题在确定最优路径汇聚节点以及各拓扑异构交通,特别是随机非均匀流量一旦部署到森林和灾区等地(8,9),从而缩短整个网络的生命周期,导致网络拥塞控制问题(10,11)导体的热功率监测等应用在电力系统中,生命传感器监测在医疗应用中,地震预警系统(12,13]。
传统上,堵塞是影响网络表现的主要问题之一,尤其是在高密度节点从有线14)无线(15尤其是网络。不同于其他人,WSN具有特定的特征,如非常低的能源通过电池操作和低带宽,伟大的关心拥堵的16]。一般来说,两个主要方法是用来缓解网络拥塞:交通管制(TC)和资源控制(RC) [17,18]。前者是用于调整传输速率,例如,添加剂增加乘法减少(AIMD)。这种技术经常措施目前的带宽和调整率基于SNs的传播考虑公平的存在。TC的关键优势是突然的影响减轻拥堵的降低发送速率;然而,主要的限制可能的低吞吐量和丢包在拥堵的初始阶段。
一般来说,有三种类型的拥堵19]:在源节点同时传输数据造成的(通过SNs接近另一个),在一个中间节点(由于数据聚合和父节点部分的策略,特别是,缓冲区溢出),和在水槽节点(造成太多的孩子只发送流量水槽节点在同一时间)。这些类型的拥堵会造成丢包,延迟,和低吞吐量。
后一种方法,钢筋混凝土,主要指的是一种方法,不仅限于降低发送速率;然而,在无线通信、多个路径通常是直接到目的地(BS)。备用路径选择(其中一个迂回的目的地是由继电器或SNs)是一种类型的RC。在这种方法中,关键优势是平衡资源网络(即。可用的SNs),导致更高的吞吐量。这种方法是我们在目前的研究焦点。
RC-based方法,有几个因素会影响网络性能,特别是拥堵缓解,如缓冲区占用、传输速率、发送者和接收者之间的距离,最重要的是,能量。没有这些因素之间的线性关系。因此,尽管RC-based方法的好处,包丢失和低吞吐量仍然可能由于不合适的路径选择,考虑到这些因素。
因此,我们专注于增强RC通过考虑一个可能堵塞预测;特别是,我们寻求最佳替代路径之前拥堵使用模糊逻辑系统(FLS)自适应路径确定考虑到缓冲区占用,转发率、跳数,和剩余能量,称为模糊优化基于逻辑的拥塞控制方案与指数平滑法预测了网络(的)。我们的贡献如下:(我)提出一个架构在网络拥塞缓解。(2)采用指数平滑法预测缓冲区占用。(3)FLS的确定适当的权重申请路径跳数,确定考虑到剩余的能量,缓冲入住率和转发率。(iv)优化FLS的蝙蝠算法(蝙蝠)优化隶属函数。
本文的其余部分组织如下:在部分2,我们回顾相关工作在拥塞控制和关注resource-control-based方法和模糊集成。部分3提供我们的无线传感器网络模型的假设和定义。节4我们建议的方法,它是基于一个fuzzy-based拥塞控制和预测方案,。部分5通过仿真结果提出并讨论了绩效评价。最后,结论和未来的研究方向进行了讨论6。
2。相关工作
在本节中,我们关注RC-based网络拥塞控制。我们还讨论工作FLS-based拥塞控制和预测。
RC Topology-Aware资源的开拓方法适应拥塞避免(塔拉),由j·康提出et al。20.]。作者提出了拓扑控制,适用于分布式和合并路径的概念。一旦检测到交通拥堵,一个特定的节点将分裂的路径(多路)绕道直接传输拥挤的SN。然后,合并的多路径结合SN。然而,备用路径也可以遇到交通堵塞。更多的路径可能导致高能源消耗的网络。
不同的方法被认为是只专注于最好的路径,如分层树(HTAP)替代路径,提出了c . Sergiou et al。21]。从水槽节点,hop-by-hop-based方法,它使用缓冲区占用信息作为阈值。这种方法从源节点形成一个层次树结构。然而,它可能会导致延迟自SN必须确定每个敌手的可能路径传输拥塞。
为了克服HTAP的局限性,同一组提出修改的方法,动态选择路径选择方案(DAiPAS) [22),由最初构建拓扑hop-by-hop-based方案避免拥挤。DAiPAS也适用于软、硬状态。软状态往往只有1沟通每个SN和母公司之间的联系,这是由宣布的传播。因此,其他SNs(如果有的话)应该寻求其他传输路径在拥塞发生之前。相反,处于困难状态,缓冲入住率将用于确定接受母公司SN的传播,如果没有选择。
w . Chen等人。23]开发了基于层次的拥塞控制和检测方案(CCEbH),能量平衡的意识。从DAiPAS CCEbH采用初始拓扑结构。然而,有一个阈值(配额)对于每个SN向母公司传播,即。,a time interval for each transmission (based on the buffer occupancy and the forwarding rate). There is also an energy balance method in two dimensions, i.e., vertical and horizontal. The SN will typically ask its vertical and horizontal neighbors to determine the paths to the sink node. Here, time synchronization may become an issue in high traffic and dense deployment.
除了在RC-based使用方法,FLS的通常用于TC-based方法。例如,美国贾斯瓦尔和a . Yadav提出Fuzzy-Based自适应拥塞控制(FBACC) [24]。相关的一些关键参数FBACC可能产生的。例如,缓冲区占用、转发率和连接的数量是拥挤的SN的用作FLS的输入来确定适当的发送速率。然而,在这里,没有考虑SNs的能量作为延长网络寿命的关键因素的基础上。
y . Zhang et al。25)认为SNs的能量,包括特定的能量SN和邻国和路径信息,在分级路径确定的输入FLS的选择集群头(CH);这种方法被命名为节能分布式聚类算法基于模糊方法与非均匀分布(EEDCF)。CH传送到下一个CH向汇聚节点。主要的限制是,在稀疏的情况下部署,EEDCF往往表现不佳。
基于TC-based方案上的开创性工作拥塞检测和避免(柯达)[26),而应用逆向拥塞通知源节点调整发送速率,以减轻交通拥堵的影响,研究也一直在进行拥塞避免拥挤的预测。例如,m . Zawodniok et al。27)提出了动态预测拥塞控制(DPCC)。DPCC利用排队,包括嵌入式信道估计算法,作为调整发送速率的指标;然而,这种方法开销高。答:美国Rajan等人提出了利率管制分割协议(RRG) [28拥塞预测的概念,使用概率方法在数据流量和缓冲区占用确定拥塞概率。
3所示。模型和假设
在本节中,我们描述网络和能量模型,包括所有必需的信息,如下所示。
3.1。网络模型
在这个研究中,类似于其他最近的工作在网络拥塞控制(20.- - - - - -28),只有一个基站或汇聚节点,这通常是放置在结束的网络(联网)。有一个电源在这个节点。在一个特定时间,传感器节点激活某些事件(如遥感数据传输,成为准备好),也被称为源节点,将通过未来向汇聚节点发送数据或邻近的节点(hop-based),非均匀部署。我们做出以下假设:网络(我)传感器节点(SNs):除了水槽节点,SNs是随机部署在一个统一的方式在一个正方形区域网络,每一种都具有相同的初始能量。(2)SNs部署后,没有流动,没有明确的位置信息。(3)每个SN有相同的通信范围。(iv)已经给所有的SNs网络内的时间同步协议通信的目的(20.- - - - - -28]。(v)任何SN可以把网络当且仅当能量耗尽(不再是在操作)。
图1我们的网络模型显示了一个示例,它包含一个水槽,来源,和其他社交网站。虚线定义了通信范围从每个SN周边节点及其连接(NN)。箭头是由广播消息。网络将一般分为层基于跳数的数量。一旦路径被定义(实线),源节点将数据发送给汇聚节点相应的(从20 SN,超过18岁,9岁和4,最后去水槽节点)。
3.2。能量模型
在网络交流,我们遵循内部标准的IEEE 802.15.4低速率无线个人区域网络提供服务(LR-WPAN)协议,在能量取决于所发送和接收的数据包的数量一个特定的SN。方程(1)显示了网络的能量模型29日),传输能量(焦耳/位)在远处在自由空间传播模型表示如下:
在哪里<我>E我>加热器我>表示数据处理和能源<我>E我>tran我>是能量传播的1位在距离<我>d。我>
类似于传播,(2)表示接收能量(焦耳/位)位,<我>E我>Reci我>的能量接收1位。
注意,根据规范MicaZ [30.3伏特(2节AA电池),<我>E我>加热器我>= 0.96<我>μ我>J /,<我>E我>tran我>= 0.144<我>μ我>J /位,<我>E我>reci我>= 0.96<我>μ我>J /。
3.3。系统消息
有八个类型的消息在广播和单播的架构:(我)Route-Request-Msg (Node_ID,跳数)我>。这个广播消息用于查询路由到邻居,和它包含的节点标识符和从水槽节点跳数。(2)Route-Reply-Msg (Node_ID,跳数)我>。一次<我>Route-Request-Msg我>已经收到,邻居们回复广播消息,其中包括他们的身份和跳数。(3)Route-End-Msg (Node_ID,跳数)我>。当没有<我>Route-Reply-Msg我>返回在一个特定的超时,一个特定的节点将发送此广播消息指示的最后跳树(确定最大跳数)。(iv)Route-Update-Msg (Node_ID)我>。如果一个节点没有足够的能量来执行一个操作(阈值),该节点将这个广播消息发送到邻国,其中包括其身份。(v)Request-Stage-Msg (Node_ID)我>。这个消息被广播到体重调查的SN的邻国。(vi)Reply-Stage-Msg (Node_ID、电子战、AW)我>。后<我>Request-Stage-Msg我>已经收到,每个SN将发回此单播消息,包括身份和两个额外的(本地计算)重量:助力路由重量(EW)和体重(AW)可用性。(七)Data-Sent-Msg (Node_ID、数据)我>。此单播消息用于数据传输的最终路径后确定。(八)Data-Ack-Msg (Node_ID)我>。此单播消息用于数据传输确认。
4所示。优化模糊基于逻辑的拥塞控制方案与指数平滑法预测了网络(的)
图2显示了的体系结构的概述。有4个主要组件:(我)自顶向下的层次结构。该组件是第一个用于生成层的结构与跳数的关键指标。我们采用临时按需距离矢量(AODV) [31日),这是用于noninfrastructure无线网络,来生成一个多对一的结构从SNs水槽节点。适用于两个主要步骤(1)路线创建和更新阶段(2)路线。(2)助力路由的重量。第二个组件是用于重量与FLS的一代。两个模糊输入被认为是:跳数和剩余能量。(3)拥塞控制和预测。这个组件主要用于拥塞控制帮助拥塞预测。在这里,我们采用指数平滑法,优化了蝙蝠FLS的调谐,缓冲区占用和转发率作为模糊输入。(iv)道路的决心。重量推导后,这最后一个组件是用于确定最终通向水槽节点。一般来说,性能与能量消耗的平衡,的可以选择的三个组件来实现最高的性能:应用只有第一个组件,第一个和第二个组件,或所有三个组件。
4.1。自顶向下的层次结构
在这个组件的开始构建拓扑路径确定通过进一步应用分层概念与跳数确定(一个为每个额外的层)可能从水槽节点到源节点(SNs)作为关键指标。两个步骤进行:创建和路由更新阶段的路线。
以下4.4.1。路径创建阶段
我们采用AODV的基线确定层的方法,使用跳数作为主要指标。类似于树的概念,在这里,水池节点被认为是树的根和一个额外的层后根遍历跳了跳(以自上而下的方式),直到到达源节点。
首先,水槽节点跳数= 0)(广播<我>Route-Request-Message我>到附近的节点(邻居)。一旦每个相邻节点收到这个消息,它存储的信息(跳数)节点ID和邻居表(见表1跳数1)和增加了隐式地指定有多远从水槽节点。
|
||||||
接收和存储信息之后,这个相邻节点发送应答消息<我>Route-Reply-Msg我>确认收据。这个节点继续这个过程(<我>Route-Request-Message我>和<我>Route-Reply-Msg我>),直到没有额外的相邻节点(没有反应<我>Route-Reply-Msg我>)。在这种情况下,这个节点(结束节点的一个特定的路径树,超时3000 ms)发送<我>Route-End-Msg我>回到前面的节点(低跳数)。这一过程持续进行直到水槽节点。注意,此消息用于最大跳数每条路径的确定。
注意,如果一个特定的节点可能会收到多个<我>Route-Request-Message我>,节点选择表(或更新)基于跳数的数量(最低优先)。
表2显示了一个邻居表SN(参见图41);在这里,只有1邻居(SN = 3)第一广播和有两个邻居(SNs = 8日和9日)在接下来的广播。注意,在这里,我们假设敌手架构是沟通。当广播模式已经完成,结束节点树节点的20倍。你的邻居表如表所示3。
|
||||||||||||||||
|
||||||||||||||||
图3这种情况下也显示了一个示例;在这里,有六个可能的路径从20 SN水槽节点。算法1也显示了路线的步骤创建阶段。最后的路径确定将再次讨论部分4.4。
|
||||||||||||||||||
4.1.2。路由更新阶段
为了避免disconnectivity,路由更新阶段是用来切换路线。通常,disconnectivity(不相交路径)是由于缺乏能源(当电池耗尽)。在这里,我们为每个SN指定一个能量阈值。如果能量低于阈值(在这里,我们将它设置为初始能量的5% (32]),SN将发送<我>Route-Update-Msg我>邻国更新你的邻居表。
图4显示了这一阶段的一个例子。图4(一)显示了最终确定路径(最短路径从20 18→→9→4→水槽节点)的可能的路径(见图3),其中包括(20 19 10 15→→→→5→1→水槽节点),16(20→→→12 7→1→水槽节点),16(20→→→12 7→2→水槽节点),7(13 20 17→→→→→1水槽节点),7(13 20 17→→→→→2水槽节点),和18(20→→9→4→水槽节点)。然而,当18 SN的能量很低,它将广播<我>Route-Update-Msg我>,其邻国将更新表(如图4 (b))。图4 (c)显示所选路径:20 7 17 13→→→→2→水槽节点(next-shortest路径)。表4显示你的邻居表没有18 SN(参见表3邻居表18 SN的存在)。
|
||||||||||||||
(一)SN 18发送Route-Update-Msg一旦低于阈值的能量
(b)邻居SN 18从表中删除连接
(c)最终路径决心从20 2 7 17 13→→→→→水槽节点
图5序列图显示了一个详细的路线创建和路由更新阶段。
4.2。助力路由重量(新)
该组件是用于确定路由标准体重(体重或助力路由(EW))之间的跳数和剩余能量。我们应用FLS的基于隶属函数来确定最终的重量。
(一)模糊逻辑系统(FLS)我>。与approximation-based FLS的是逻辑推理的技术方法,而不是一个确切的解决方案。FLS的标识解决方案内的范围在0和1之间(不完全是0或1)由于模糊性。根据我们的评估过程,FL与Mamdani优于FL Sugeno;因此,我们选择与Mamdani FL,四个主要步骤(33)(见图6)。
Fuzzifier是用于转换的输入(即。,hop count and remaining energy) to a numerical format, which is typically normalized to a range between 0 and 1 from the current over the maximum hops and similarly the remaining over the initial energy. Then, the input is mapped to determine the crossing points of each function (corresponding to fuzzy rules). Based on our intensive evaluation, we applied triangular (low, medium, and high for output weight) and trapezoidal (low, medium, and high for the two inputs) functions, which outperformed the others, such as Gaussian, generalized bell, and sigmoid. Figure7显示了一个示例隶属函数的跳数和剩余能量,包括输出权重。
(一)跳数
(b)剩余的能量
(c)输出的重量
模糊规则用于生成input-to-output映射基于隶属函数(如果/那么规则)。表5显示了一个9的施工程序规则,包括高(H)、中(M)和低(L)。
|
||||||||||||||||||||||||||||||||||||||||||
模糊推理引擎用于输出(重量)推导给出的输入模糊规则系统使用一个聚合方法,即。,交叉操作。图8显示了一个示例的电子战模糊规则(见表95)。有两个标准化的输入,即。,hop count and remaining energy, here with 0.38 and 0.66 as examples. With these inputs, each fuzzy set is considered with “AND” operation; i.e., the minimum among the twos will be selected to cross over the weight, resulting in output. Next, the aggregation method is applied over the 9 rules before applying the defuzzifier in the next component.
Defuzzifier用于计算最终的输出基于重心(齿轮)概念推导出输出(重量)。这最后的输出(在0到1)提供的重路由阶段;在这里,0.577是一个例子,模糊推理引擎。注意,输出是助力路由重量(EW)。
(B)电子战与FLS的推导我>。重量(EW)将派生FLS的(即。从Defuzzifier,最终的输出)。然后,体重会计算一次<我>Request-Stage-Msg我>已经收到。随后,SN会回答这个重量,除了自己的身份,通过<我>Reply-Stage-Msg我>。回复消息,相应的重量将存储在邻居表中。表6显示了一个示例20 SN的更新。这SN广播邻居请求消息,SNs 16日,17日,19日和20。这些社交网站发送回复更新的基础,例如,权重为0.89,0.75,0.70,和0.83,分别。请注意,选择下一跳将再次讨论部分4.4。
|
||||||||||||||||||||||||
4.3。拥塞控制和预测
以前,两个主要因素,即跳数和剩余能量,被用作确定路径的主要标准。然而,在密集部署,另一个关键因素是网络拥塞,通常降低了整体性能,例如,通过包丢失,低吞吐量,延迟高。因此,我们也调查了这个约束使用统计拥塞预测模型(考虑到缓冲区占用)FLS-based拥塞控制。相似的部分4.2然而,在这里,我们另外调整隶属函数与蝙蝠FLS的两个输入,即预测缓冲区占用和转发率,获得另一个体重因素(可用性(AW)重量)。
4.3.1。交通拥堵与指数平滑法预测
(一)指数平滑法我>。在这个研究中,我们应用指数平滑法,这是一种最有效的时间序列预测模型。其主要优势短期预测是适当的用于网络34)来帮助避免拥挤路径选择的考虑到缓冲区占用。方程(3)(5)显示了指数平滑法推导:
在哪里预测的值在时间吗<我>t我>(缓冲区),代表一个几何级数的和<我>α我>是一个给定的常数(平滑因子)0.02和0.3的范围。方程(6)展示了如何推导出预测缓冲区,也就是说,<我>薄我>在 。
(B)使用蝙蝠适应性隶属函数我>。蝙蝠,由x引入美国杨et al。35),是一种自然启发的方法用作metaheuristic算法对一个np完全问题[36)找到一个好的解决方案在一个困难期资源(如计算时间复杂度)。一项调查显示由a . h . Gandomi et al。37],蝙蝠是一种有效的算法在性能方面与粒子群优化(PSO)和遗传算法(气)。
蝙蝠也是网络用于在多个领域,如定位(38)和径向优化(39]。因此,我们采用蝙蝠FLS的调整隶属函数。
一般来说,蝙蝠模仿蝙蝠的行为,特别是食品清除微蝠的行为。蝙蝠会生成一个高频脉冲导航向食品资源;它还告诉其他蝙蝠的食物的位置。有三个主要步骤:(我)每个蝙蝠发出一个脉冲(定位)来确定位置和距离对食物、猎物,分化和障碍。目标函数定义的蝙蝠人口与速度和传输频率确定一个更好的解决方案在每一轮 。在每一轮,一个更好的解决方案将通过调整脉冲率()和响度()。(2)每个蝙蝠没有特定的模式对食物资源的速度飞行从位置 。初始频率被定义为 。在飞行中,波长和它的振幅或响度将调整寻求的目标。蝙蝠也可以改变脉冲速率在的范围这样在初始脉冲率是0。蝙蝠也增加了脉搏率一旦接近目标。(3)的音量最初设置为(最大振幅)。在飞行过程中,蝙蝠可以搜索最优解。与脉冲重复频率,一旦蝙蝠接近目标,响度趋于降低,<我>l我>最小值我>的最小振幅。
在这个研究中,我们应用蝙蝠行为调整隶属函数(<我>曼氏金融我>我我>)FLS的(参见算法2)。在这里,<我>f (x)我>=<我>曼氏金融我>我我>。在每一轮中,我们选择最好的曼氏金融,即。,the MF with the maximum Euclidean distance (ED) between a specific MF and an initial MF. Typically, the population (number of bats =<我>n我>)影响的计算复杂度和精度增益(40]。我们深入调查这个权衡和观察到,5蝙蝠(= 5),精度没有明显不同,与更多的蝙蝠。我们定义一个迭代阈值()作为隶属函数的范围调整保持原始形状的函数(从梯形、梯形或梯形三角形;参见数据9(一个)和9 (c);9 (b)和9 (d)为<我>α我>平滑因子;或数据10 ()和10 (c);10 (b)和10 (d)AW可用性体重)。我们跟着描述的配置x美国杨et al。35] , ,和 。
|
||||||||||||||||||||||||||||||||||
(一)跳的大小
(b)跳数
(c)跳大小(调整后)
(d)跳计数(调整后)
(e)输出的重量
(一)缓冲区占用
(b)转发率
(c)缓冲区占用(调整后)
(d)转发率(调整后)
(e)输出的重量
(C)和自适应模糊逻辑系统优化平滑因子的隶属函数我>。与前面所讨论的指数平滑法、平滑因子的值(<我>α我>)会影响预测精度。因此,我们关注的<我>α我>推导关于跳大小之间的关系(从源节点跳数)和跳数(从水槽节点跳数)使用FLS的。
类似于前一节(部分4.2),我们应用FLS的除了会员使用蝙蝠在不同输入调优;在这里,两个关系(hop大小和跳数)作为输入。请注意,类似的应用步骤。
例如,Fuzzifier,我们检查不同的隶属度函数(即。,the two inputs with a triangular function for low and a trapezoidal function for medium and high) and used a triangular function for the output weight (see Figures9(一个)和9 (b))。数据9 (c)和9 (d)显示会员与蝙蝠调优后。表7显示了一个示例模糊规则;在这里,有9规则。
|
||||||||||||||||||||||||||||||||||||||||||
注意,相同的概念模糊推理引擎和应用Defuzzifier(聚合方法和齿轮;参见图8),但是使用不同的输入。随后,去模糊化用于确定后的重量<我>α我>最终的输出。
从部分4.3.1(一)和4.3.1(B),我们优化的应用<我>α我>(<我>α我>选择我>)与缓冲指数平滑参数的线性关系,所述
(D)和自适应模糊逻辑系统隶属函数对优化可用性的重量我>。我们认为是缓冲区占用的指数平滑法(BO),前面是得到的预测和转发率(FR)作为确定的两个输入参数FLS的可用性体重(AW)。注意,BO用于确定数据包处理的约束(排队=下降如果缓冲区已满),和FR的传输能力。注意,这两个因素是用来避免路径可能导致高丢包的概率(由于拥塞,导致队列可用性和较低的传输速率)。
类似于前一节(部分4.2),我们应用FLS的除了会员使用蝙蝠在不同输入调优:预测缓冲区占用和转发率。类似的措施也被应用。例如,Fuzzifier,我们检查不同的隶属度函数(即。,the two inputs with triangular functions for low and high and a trapezoidal function for medium) and a triangular function for the output weight (to achieve high precision for high performance achievement, we used five membership levels instead of three, very low, low, medium, high, and very high; see also Figures10 ()和10 (b))。
数据10 (c)和10 (d)显示会员与蝙蝠调优后。表8显示了一个示例模糊规则;在这里,有9规则。相同的概念模糊推理引擎和应用Defuzzifier(聚合方法和齿轮;参见图8),但是使用不同的输入。随后,去模糊化后的重量用于确定AW作为最终的输出。
|
||||||||||||||||||||||||||||||||||||||||||
图11也显示了我们的建议的详细序列图,的。
4.4。道路的决心
作为一个例子,如图12,的可以选择的路径从源到汇3类基于用户需求和重量信息的存在。(我)我:自顶向下的层次结构(部分4.1)。路线后创建阶段,所有SNs决定他们从水槽节点跳数。向上发送数据包,SN可以简单地选择最低的父母跳数(存储在你的邻居表)水槽节点。如果有多个可能的下一跳,首选的下一跳是最低的节点标识(这也是申请下面的其他两种情况)。(2)案例二:助力路由重量(部分4.2)。与一个额外的重量测定过程考虑到两个因素(跳数和剩余能量),一个特定的SN可以选择父母的最大电子战邻居表。(3)案例三:拥塞控制和预测(部分4.3)。与第二种情况类似,但与一个额外的重量(AW),在这里,我们定义链接得分(LS)作为路径选择标准在电子战和啊,见(8)。在这里,是一个加权常数来确定这两个因素之间的关系,范围在0和1之间:
(一)我
(b) II
(c)例III
一次<我>LS我>决定,一个特定的SN和最大可以选择父吗<我>LS我>。
图12显示了一个示例路径的决心与不同的情况。在这里,我们只显示20 SN的方式选择一个路径给邻居表。图12(一个)显示我;这里,跳数可以确定最低20 2 7 17 13→→→→→水槽节点。然而,在第二种情况下,图12 (b)显示了不同路径选择(20 17 9 13 14→→→→→→4水槽节点)和一个额外的体重(EW)(见表9)。我们选择最大的电子战路径。图12 (c)显示了不同的道路(20 11 16 12→→→→6→1→水槽节点),而选择<我>LS我>(AW和电子战)(见表10)。注意,LS的决心后,SNs的LSs 16日17日和19日0.875,0.8,和0.835,分别。因此,SN 16的母公司SN 20。
|
|||||||||||||||||||||
|
||||||||||||||||||||||||||||
5。绩效评估
确认性能优越的,我们评估其性能相比,三种最先进的方法:HTAP [21],DAIPaS [22],CCEbH [23),包括传统的特设路由,AODV [31日]。此外,我们评估我们的设计标准决定三种可能的路径,包括三种情况:自上而下的分层结构,助力路由重量和拥塞控制和预测(有或没有蝙蝠调优)。
5.1。实验设计
我们的算法是使用网络仿真模拟(NS2) 2.35版本与延长WSN (41,42]。我们模拟FLS的使用八度4.2。我们的实验是一个Ubuntu 14.04 LTS。SNs是随机部署在一个地形区域200 m×200 m的维度。一旦部署,没有流动性。传感器节点的数量是100,与50米的通信范围(见一个例子如图13)。注意所选参数的规范MicaZ [30.],HTAP [21],DAIPaS [22],CCEbH [23]。
评估方法的效率,实验稀疏和致密的网络事件的数量(流量),即、10%和20%,其中每个是从32 Kbps到224 Kbps(步长为32 Kbps)。最初的能量是10 J [21- - - - - -23]。仿真是在300秒和10试验,并计算平均结果。列出了参数值表11。
|
||||||||||||||||||||||||||||||||||||||
我们也表现的集约评价可能的γ(0,1)在两个事件的最优使用利率和发现,在10%和20%,0.48和0.62事件率可以超越,即。、147和124 Kbps(见图14),我们使用这些发现进一步评估。
出于比较目的与21- - - - - -23),绩效评估中使用的三个主要指标,即平均吞吐量在水槽(ATS),包交货率(PDR)和平均剩余能量(是),定义如下:
在哪里<我>Rx_sink我>我我>收到的流量吗由水槽节点和th SN和最初的和使用的能量吗分别th SN。
有两个场景来证明我们的表现:(1)我们与实验设计评估的理由在我们三个动机道路的决心,我(自顶向下的层次结构,OFES-Case-I),案例二世(助力路由体重,OFES-Case-II)和案例III(拥塞控制和预测没有蝙蝠调优,OFES-Case-III-woBAT和OFES-Case-III-withBAT)。
5.2。仿真结果和讨论
对于第一个场景,我们的动机对路径确定的三个案例,人物15显示性能的ATS (Kbps)。一般来说,如图(15日)OFES-Case-III-withBAT,我们最终确定的,比它的三个派生(OFES-Case-III-woBAT、OFES-Case-II OFES-Case-I)因素的7.25%,21.61%,和24.10%,10%的事件(稀疏模式),分别;和13.28%,28.44%和39.31%,20%的事件(密集模式);尽管性能(吞吐量)不是在这样的秩序。没有拥挤在低流量,例如,32至64 Kbps稀疏模式和32 Kbps密集模式。
(一)10%的事件
(b) 20%的事件
PDR而言,图16美国胸科协会显示对应的结果;然而,结果是相反的:流量越高,PDR越低,例如,从100%提高到66%,59%,53%,52%,稀疏模式,48%,45%,41%,39%,密集模式,分别为4例。平均Case-III-withBAT,我们确定的是优越的衍生品。
(一)10%的事件
(b) 20%的事件
图17显示的是我们OFESs值。一般来说,有更多的流量,剩余的能量将减少。例如,从32 Kbps到224 Kbps,流量减少的能量从94%提高到53%,91%,45%,89%,37%,和在稀疏模式下85%到32%和86%到27%,82%,20%,80%,16%,和79%到11%在密集的模式。我们完成的(OFES-Case-III-withBAT)优越,它优于其他三个衍生品10.83%,23.61%,41.39%,稀疏模式和13.31%,32.91%和55.37%在浓密的模式。
(一)10%的事件
(b) 20%的事件
对于第二个场景,与最近的网络拥塞控制算法相比,数字18显示性能的ATS (Kbps)。一般来说,交通事件的增加,平均吞吐量减少由于网络拥塞,例如,从32 Kbps到147年,133年,126年,119年和92 Kbps,事件(稀疏模式),10%为的(又名OFES-Case-III-withBAT), CCEbH, DAIPaS, HTAP, AODV,分别;从32 Kbps到118年、98年、91年、83年和66 Kbps, 20%的事件(密集模式)。
(一)10%的事件
(b) 20%的事件
一般来说,我们提出的方法优于其他四个因素考虑方法的8.32%,14.37%,20.18%,比其他人高50.10%。注意,较低的流量,即。,32和64 Kbps, there is no congestion involved, so there is no loss (ATS is the same as the event traffic); however, with high traffic, the loss becomes obvious (low ATS on average). In dense mode, for 20% events, the ATS was similar despite the increased congestion. Thus, ATS tends to be lower in the dense mode than in the sparse mode. However, OFES is still superior, in particular, at 160 Kbps with ATS = 123 Kbps, and, on average, it outperforms the other four methods by 11.22%, 18.19%, 24.04%, and 54.70%. Again, note that there is no congestion at 32 Kbps traffic.
PDR而言,图19显示了相应结果at但相反的方向:交通事件的增加,PDR倾向于减少由于网络拥塞,例如,从100%降至约66%,57%,54%,51%,和40%,10%的事件;和48%,40%,36%,33%,28%,20%的事件,CCEbH, DAIPaS, HTAP,分别和AODV。的平均又比其他方法。再次,网络变得拥挤大约在64 Kbps事件的10%。同样,在密集的方式,事件的数量是20%,由于高拥堵PDR变得更低。
(一)10%的事件
(b) 20%的事件
图20.显示值的三个协议。一般来说,如图20(一个)更多的流量,剩余的能量将减少,例如,从32 Kbps到224 Kbps:从94%提高到53%,89%,42%,87%,39%,86%,34%,和69%到27%。剩余的优越,和整体能量高。图20 (b)也为密集模式显示了结果。的仍然是上级和优于CCEbH、DAIPaS HTAP,和AODV 13.62%, 22.56%, 30.55%,和62.48%,分别为(20.81%、42.37%、59.58和82.27%密集模式)。
(一)10%的事件
(b) 20%的事件
6。结论和未来的工作
在这个研究中,我们提出一个路径确定了网络架构,考虑网络拥堵,叫做优化模糊基于逻辑的网络拥塞控制方案与指数平滑法预测(的)。灵活使用,三个主要路径确定方法可以应用基于可用的资源和信息:(1)简化分级分层树路径建设(使用跳数到找到一个路径),(2)一个更复杂的路径确定方法,利用已知信息,如跳数和剩余能量,和(3)解析器的道路拥堵预测,利用指数平滑法和两个因素,如缓冲区占用和转发率。我们还应用FLS的最后一个方法来确定一个可调节重量除了重量优化利用蝙蝠优化隶属函数。
来证明我们的动力的路径确定和评估的的性能,我们首先比较与其他三个的情况下,即,Case I (Top-Down Hierarchical Structure), Case II (Energy-Assisted Routing Weight), and Case III (Congestion Control and Prediction with and without BAT tuning). The results justify our design such that our finalized OFES (Case III with BAT tuning) is superior. Then, we compared the OFES with the three recently proposed methods that include the traditional ad hoc routing, namely, CCEbH, DAIPaS, HTAP, and AODV in terms of throughput, packet loss, and energy consumption. Through simulation experiments, we showed that OFES is superior in terms of all metrics, followed by CCEbH, DAIPaS, HTAP, and AODV.
例如,的表现优于其他四个方法因素的9.77%,16.28%,22.11%,和52.4%,分别用平均吞吐量和包交货率;和因素的17.21%、32.46%、45.06%和72.37%,分别用平均剩余能量。注意,尽管的很高的性能,限制和注意事项进一步调查依然存在,如数据传输的高容量。在未来的工作中,可以进行综合模拟和分析调查属性如网络密度和多样性,网络维度,流动性,各种信号传播模型,网络故障概率,和异构数据流量,包括物理设备实现。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突有关出版的手稿。
确认
这项工作是研究基金的赠款支持支持教师承认高潜力的学生在他们的学习和研究专家从研究生院计划2017年,泰国孔敬大学(批准号601 t213),部分支持的泰国研究基金会(基金会)批准号RTA6080013。
引用
- Gartner。新闻稿,Gartner说84亿连接的“东西”将在2017年使用,从2016年开始,2017年增长31%。http://www.gartner.com/newsroom/id/3598917。
- 英特尔。物联网信息图表的一个指南,2017年。https://www.intel.com/content/www/us/en/internet-of-things/infographics/guide-to-iot.html。
- ABI研究中,“大数据和分析在物联网和M2M, 2016年,“https://www.abiresearch.com/market-research/product/1024282-big-data-and-analytics-in-iot-and-m2m/。视图:谷歌学术搜索
- 汗,f . Belqasmi r . Glitho: Crespi, m·莫罗和p . Polakos“无线传感器网络虚拟化:一项调查,”<我>IEEE通信调查和教程我>,18卷,不。1,第576 - 553页,2016。视图:出版商的网站|谷歌学术搜索
- m·a·马哈茂德·w·k·g·Seah,韦尔奇,“无线传感器网络可靠性:一项调查和挑战,”<我>计算机网络我>卷,79年,第187 - 166页,2015年。视图:出版商的网站|谷歌学术搜索
- ——t·g·阮c, n .阮”屏障覆盖移动传感器网络部署算法。”<我>互联网技术杂志》我>,18卷,不。7日,第1699 - 1689页,2017年12月。视图:谷歌学术搜索
- h . Yetgin k·t·k·张,m . El-Hajjar和l . Hanzo”的调查网络寿命最大化技术在无线传感器网络中,“<我>IEEE通信调查和教程我>,19卷,不。2、828 - 854年,2017页。视图:出版商的网站|谷歌学术搜索
- m·l·d·陈,z Liu Wang窦,j . Chen和h·李,“自然灾害监测与无线传感器网络:一个案例研究在低成本的数据密集型应用程序的可扩展的系统,”<我>移动网络和应用程序我>,18卷,不。5,651 - 663年,2013页。视图:出版商的网站|谷歌学术搜索
- 哈尔德和s d,“增强部署无线传感器网络生命周期的异构节点,“<我>网络和计算机应用》杂志上我>,38卷,不。1,第124 - 106页,2014。视图:出版商的网站|谷歌学术搜索
- m·尤尼斯。f . Senturk k . Akkaya s . Lee)和f . Senel“容忍节点的拓扑管理技术在无线传感器网络故障:一项调查,“<我>计算机网络我>,卷。58岁的没有。1,第283 - 254页,2014。视图:出版商的网站|谷歌学术搜索
- m·a·Kafi d . Djenouri j . Ben-Othman和n . Badache”在无线传感器网络拥塞控制协议:一项调查,“<我>IEEE通信调查和教程我>,16卷,不。3、1369 - 1390年,2014页。视图:出版商的网站|谷歌学术搜索
- b·拉希德和m . h . Rehmani”城市的无线传感器网络的应用:一项调查,“<我>网络和计算机应用》杂志上我>,60卷,第219 - 192页,2016年。视图:出版商的网站|谷歌学术搜索
- p . Rawat k·d·辛格h . Chaouchi和j·m·Bonnin“无线传感器网络:一项调查在最近的进展和潜在的协同效应,”<我>《华尔街日报》的超级计算我>,卷68,不。1页1 - 2014。视图:出版商的网站|谷歌学术搜索
- S.-U。守护神和廖x”的倡议分类参考书目在TCP / IP拥塞控制,”<我>网络和计算机应用》杂志上我>,36卷,不。1,第133 - 126页,2013。视图:出版商的网站|谷歌学术搜索
- c . Lochert b .本篇报告,m .淡紫色,“调查移动ad hoc网络的拥塞控制,”<我>无线通信和移动计算我>,7卷,不。5,655 - 676年,2007页。视图:出版商的网站|谷歌学术搜索
- j·A·汗·h·k·库雷希,伊克巴尔,“无线传感器网络中能源管理:一项调查,“<我>计算机与电气工程我>41卷,第176 - 159页,2015年。视图:出版商的网站|谷歌学术搜索
- c . Sergiou p·安东尼奥由于诉Vassiliou,“一个全面的调查在无线传感器网络的拥塞控制协议,”<我>IEEE通信调查和教程我>,16卷,不。4、1839 - 1859年,2014页。视图:出版商的网站|谷歌学术搜索
- s . a .沙、b·纳齐尔和中情局汗,“无线传感器网络拥塞控制算法:趋势和机会,”<我>沙特国王大学-计算机和信息科学杂志》上我>卷,29号3、236 - 245年,2017页。视图:出版商的网站|谷歌学术搜索
- a . Ghaffari“无线传感器网络拥塞控制机制:一项调查,“<我>网络和计算机应用》杂志上我>52卷,第115 - 101页,2015年。视图:出版商的网站|谷歌学术搜索
- 张j .康y, b .纳,”塔拉:Topology-aware资源适应缓解拥堵在传感器网络中,“<我>IEEE并行和分布式系统我>,18卷,不。7,919 - 931年,2007页。视图:出版商的网站|谷歌学术搜索
- c . Sergiou诉Vassiliou, a . Paphitis“分层树替代路径(HTAP)拥塞控制算法在无线传感器网络中,“<我>特设网络我>,11卷,不。1,第272 - 257页,2013。视图:出版商的网站|谷歌学术搜索
- c . Sergiou诉Vassiliou, a . Paphitis“拥塞控制在无线传感器网络动态选择替代路径,”<我>计算机网络我>卷,75年,第238 - 226页,2014年。视图:出版商的网站|谷歌学术搜索
- w·陈,y妞妞,y .邹,“拥塞控制和检测方案基于网络的层次结构,”<我>专业无线传感器系统我>,7卷,不。1,1 - 8,2017页。视图:出版商的网站|谷歌学术搜索
- 贾斯瓦尔和a . Yadav,“基于模糊自适应拥塞控制在无线传感器网络中,”<我>当代计算机学报2013年第六次国际会议(IC3)我>诺伊达,页433 - 438年,印度,2013年8月。视图:出版商的网站|谷歌学术搜索
- d·汉y, j . Wang h . Wu和r·周“基于模糊逻辑的分布式无线传感器网络节能的聚类算法,”<我>传感器我>,17卷,不。7,1554:1-1554:21,2017页。视图:出版商的网站|谷歌学术搜索
- h·d·Nikokheslat和a . Ghaffari”协议在无线传感器网络拥塞控制,”<我>无线个人通信我>,卷95,不。3、3233 - 3251年,2017页。视图:出版商的网站|谷歌学术搜索
- h . z Shi, r·普拉萨德诉e .偏向和i . g . m . m . Niemegeers“公平在无线网络问题,措施和挑战,”<我>IEEE通信调查和教程我>,16卷,不。1,5-24,2014页。视图:出版商的网站|谷歌学术搜索
- a . Uthra Rajan的时候拉美国诉Kasmir a . Jeyasekar和a·j·Lattanze“无线传感器网络节能预测拥塞控制,”<我>专业无线传感器系统我>,5卷,不。3、115 - 123年,2015页。视图:出版商的网站|谷歌学术搜索
- t . Rault a Bouabdallah, y Challal“无线传感器网络中能源效率:自上而下的一项调查,“<我>计算机网络我>卷,67年,第122 - 104页,2014年。视图:出版商的网站|谷歌学术搜索
- 弩技术公司,“MiCaZ数据表”,文档没有一部分。6020-0060-04,2006年1月。视图:谷歌学术搜索
- c·帕金斯,大肠Belding-Royer s Das,“临时按需距离矢量路由(AODV),“<我>不。RFC我>3561年,2003年。视图:出版商的网站|谷歌学术搜索
- 江j·g·汉l . Liu, l .蜀和g . Hancke”连接的节能分析目标工业无线传感器网络覆盖算法,”<我>IEEE工业信息我>,13卷,不。1,第143 - 135页,2017年12月。视图:谷歌学术搜索
- p . Nayak和b . Vathasavai“能量有效的聚类算法种无线传感器网络使用二型模糊逻辑,“<我>IEEE传感器杂志我>,17卷,不。14日,第4499 - 4492页,2017年。视图:出版商的网站|谷歌学术搜索
- r . Hyndman a·b·克勒j . k .奥德和r·d·斯奈德<我>用指数平滑法预测:状态空间的方法我>施普林格科学与商业媒体,2008年。
- x杨,“一个新的metaheuristic bat-inspired算法”<我>来自大自然的灵感合作策略优化我>卷,248年,第74 - 65页,2010年。视图:谷歌学术搜索
- X.-S。杨和A . h . Gandomi“蝙蝠算法:全球工程优化、新方法”<我>工程计算我>卷,29号5,464 - 483年,2012页。视图:出版商的网站|谷歌学术搜索
- a . h . Gandomi x s, a . h . Alavi和s . Talatahari“蝙蝠算法对约束优化任务,”<我>神经计算和应用我>,22卷,不。6,1239 - 1255年,2013页。视图:出版商的网站|谷歌学术搜索
- ——c和w·Katekaew“混合模糊带MDV-Hop棍质心定位算法在无线传感器网络中,“<我>国际期刊的分布式传感器网络我>,11卷,不。10日,第894560条,2015年。视图:谷歌学术搜索
- Kaur s p . m .沙玛,“径向zone-divided优化能源利用无线传感器网络(WSN)协议使用BA(蝙蝠算法),“<我>IETE杂志》上的研究我>,卷61,不。2、170 - 179年,2015页。视图:出版商的网站|谷歌学术搜索
- Yilmaz和欧盟Kucuksille”,一个新的改性方法对蝙蝠算法求解优化问题,“<我>应用软计算我>28卷,第275 - 259页,2015年。视图:出版商的网站|谷歌学术搜索
- k和k . Varadhan下跌,“网络模拟器(ns-2), 2007,“http://www.isi.edu/nsnam/ns。视图:谷歌学术搜索
- 吗哪研究小组”,Mannasim框架,2010年,“http://www.mannasim.dcc.ufmg.br/index.htm。视图:谷歌学术搜索
版权
版权©2018“Aimtongkham等。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。