六边形小区传感器网络数据聚合与寿命延长研究

沙特国王大学学报基于六边形单元的定向Arouna Ndam Njoyaa，a，Christopher Thronb，Marah Nana Awac，Ado Adamou Abba Aric，d，Abdelhak Mourad GuerouidaNgaoundré大学技术学院计算机工程系，P.O. Box 455，Ngaoundéré，喀麦隆b美国基林得克萨斯农工大学数学系c马鲁阿大学LaRI实验室，邮政编码。Box 814，Maroua，喀麦隆dDAVID Lab，Université Paris-Saclay，University of Versailles Saint-Quentin-en-Yvelines，45 Avenue États-Unis 78035，Versailles Cedex，France阿提奇莱因福奥文章历史记录：2022年2月11日收到2022年7月8日修订2022年7月13日接受2022年7月27日在线提供保留字：无线传感器网络WSN数据聚合寿命延长半球形小区分层定向天线A B S T R A C T本文研究了在一个圆形区域的无线传感器网络（WSN）的替代系统配置的生命周期。覆盖区域被划分为六边形小区，并且来自每个小区的信息被组合并发送到信宿或其他小区。传感器配备有定向天线，可提高发射/接收功率效率并潜在地减少干扰。允许向多个小区的同时传输，并且可以将不同传输的功率电平控制到不同的电平。在均匀信息密度和均匀传感器分布的假设下，我们证明了对于较大的系统（具有800个单元或更多），通过引入有限数量的传输线或线汇来促进信息传输到主汇，寿命可以延长10倍以上或者，引入多达六个次级汇可以增加系统寿命的一个因素约4.5相同大小的区域。我们的研究结果意味着，将线或二次汇可以提供简单，低成本的解决方案，延长系统寿命较大的无线传感器网络的©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍无线传感器网络（WSN）被广泛用于远程感知数字系统的物理环境中的数据。最初，无线传感器网络被设计用于军事目的。如今，随着5G实现的大规模连接，WSN的各种应用相互连接，以创建一个全面的物联网（IoT）生态系统，我们环境中的任何对象都可以通过互联网连接和跟踪。此外，包括IoT的基于传感器的系统使得能够在没有人为干预的情况下在设备之间进行通信（Hashem等人，2016; Alaba等人，2017年）。因此，除了灾害监测、污染监测、气候变化等传统应用外，*通讯作者。电子邮件地址：ndanjoa@gmail.com（美国Njoya）。沙特国王大学负责同行审查制作和主办：Elsevier已经将WSN的应用范围扩展到智能家居、智能城市、智能电网、智能农业 等领 域 （Nels 和 Singh， 2021; Gunduz和 Das ，2020; Dileep ，2020）。无线传感器网络中的数据采集任务需要全面有效的数据融合算法来满足系统约束。一个主要的限制是有限的能量容量的传感器节点。节点消耗能量来接收来自其他节点的数据，然后合并和合并，使得数据最终到达基站（汇聚节点）。数据聚合是指在无线传感器网络中减少数据传输量的策略以便在网络中仅保留有用的信息（Nels和Singh，2021;Zhou 等 人 ， 2019; Djedouboum 等 人 ， 2020; Pundir 和 Sandhu ，2021）。已知数据聚合过程的优化是NP困难的（Chen等人，2005;Titouna等人，2018;Gbadouissa等人，2020年）。为了解决这个问题，已经开发了各种架构和方法（Khedo等人，2010;Coudert等人，2015; Xie和Chen，2017; Priya和Enoch，2018;Maivizhi和Yogesh，2020; Ullah和Youn，2020; Ullah等人，2021; Jan等人，2021年）。这些方法依赖于来自传感器节点的数据包括冗余信息的事实，这些冗余信息可以通过数据预处理来减少，从而减少传输，从而减少网络能耗。在大多数情况下，空间https://doi.org/10.1016/j.jksuci.2022.07.0081319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA.N. 恩乔亚角Thron，M.N. Awa等人沙特国王大学学报7912为此目的，利用数据相关性，即在传输之前聚集来自附近传感器的数据。这种聚合可以在多个级别上重复，从而形成分层聚合模型（Dhand和Tyagi，2016; Xu等人， 2015年）。由于无线传感器网络中的数据聚合产生大量的数据，该领域的许多最近的研究使用机器学习和数据科学的方法来执行数据预测，以减少网络能耗，数据重复，带宽使用，分组延迟以及由于节点故障而导致的数据丢失。使用的方法包括最小均方和均方根误差分析、时间序列预测的ARIMA模型、卡尔曼滤波、k近邻算法和深度学习算法（Nels和Singh，2021; Ullah和Youn，2020; Avinash等人，2015; Fu等人，2016; Cheng等人， 2019年; Zhang等人，2019; Aboubakar等人，2020; Mohanty等人， 2020年）。如前所述，数据聚合有助于消除类似数据和无价值数据，以便正确和有效地使用网络资源。因此，一些研究直接反映了有效利用带宽和减少延迟，数据包丢失和数据包传输时间的机制的发展正如人们可能自然期望的那样，所提出的方案包括数据压缩技术、数据聚类算法和数据优先级策略（Jan等人，2021; Mantri等人，2013; Mohanty和Kabat，2016; Devi等人，2020; Babu等人， 2021年）。这些技术的组合允许对网络中的数据流进行有效监控，从而更好地使用网络带宽和能量。用于降低传感器功耗的另一种技术是采用定向天线（Wang等人，2017; Dunlop和Cortes，2007），其产生更聚焦的信号，从而既减少干扰又增加有效发射功率。定向天线在无线蜂窝通信系统中的广泛使用证明了其在增加系统容量方面的有用性（Liberti和Rappaport，1994）。在本文中，我们研究了一种基于全等六边形小区的分层空间聚合方案，例如经常用于无线蜂窝通信（Baltzis，2011）。在Debessu等人（2011）和Debessu等人（2010）中研究了无线传感器网络的相同几何结构：然而，我们考虑了利用定向传输的替代设计，并涉及引入基本上作为次级接收器的中继器，或使沿电力线放置的传感器能够进行供电信息传输的电力线。这些创新大大降低了功耗，从而延长系统寿命。本文的其余部分组织如下。第2节专门讨论数据汇总方面的相关工作。挑战和相关的解决方案被清楚地识别和展示。第三部分重点研究了基于六边形单元的高效数据聚合模型的设计。第4节，我们描述了数值模拟和讨论我们的实验结果。第五部分是结论，并提出了未来的研究方向。2. 相关工作正如Pundir和Sandhu（2021）所指出的，能源效率是数据聚合最重要的性能标准，因为它决定了网络的生命周期。不同的研究人员已经采取了不同的方法来提高能量效率，包括网络拓扑、数据预测、数据压缩、数据冗余消除、安全影响、路由、移动性影响、带宽管理、延迟和包递送率，已经在WSN中进行了有效的数据融合（Pundir和Sandhu，2021; Jan等人，2021; Devi等人，2020; Wang等人，2019; Gupta和Sharma，2019; Ahmed等人，2019年; Yadav和Mahapatra，2021年）。下文简要介绍这些办法网络拓扑是指传感器节点在网络中捕获和转发数据的方式。基于低 能 量 自 适 应 分 簇 层 次 路 由 协 议 （ LEACH ） 的 簇 拓 扑（Heinzelman等人，2000;Heinzelman，2000）是最知名和广泛使用的架构，其被设计用于流量控制，以通过在负责将数据传输到基站或下一个簇头的节点之间选择簇头（CH ）来最小化能量消耗（Pundir和Sandhu，2021; Ahmed等人，2019年）的报告。为了实现这一点，一些研究试图提出簇头选择方案，避免冗余数据，CH上的更多工作负载，以及过大的clus- ters，这可能导致快速CH放电。 例如，混合节能分布式（HEED）聚类算法将剩余能量和节点邻近度考虑在内，以避免不平衡的聚类（Younis和Fahmy，2004）。类似地，遗传算法聚类方法提出了袁等人。（2017）使用节点密度、剩余能量和预期节点能量消耗。观察到HEED导致集群选举期间集群CH变化，Gupta和Sharma（2019）使用模糊规则集和细菌觅食方法开发各种聚类方案，以限制导致集群工作量增加的热点形成。CH选举还必须考虑网络可扩展性。为此，Mydhili等人提出了一种基于K-means++的多尺度并行聚类算法（MSPK++）。（2020年）。通过利用虚拟和真实集群机器上的无线传感器网络的分布式行为来平衡路由负载，从而降低网络能耗 正如Pundir和Sandhu（2021）所强调的那样，MSPK++在现实应用中的实现是复杂的。除了网络拓扑结构，有效的数据收集还需要建立一个全面、有效的现场覆盖模式。为了实现这一点，非常常见的策略涉及将覆盖区域构造成六边形小区（Carr等人， 1992年）。Li等人提出了一种将网络划分为六边形单元的分布式算法。（2014）以减少在WSNs物理干扰下的聚合延迟。 蜂窝网络配置有助于处理可能引起干扰的同时传输，而不需要对通过网络移动的信息进行全面观察。以同样的方式，Debessu等人提出了使用六边形聚类的数据报告的网络寿命延长分析。 在Debessu et al. （2011年）。通过不同的数据报告配置，包括直接发送到基站，通过随机CH的位置和使用位于六边形中心的CH的数据传输的网络寿命进行了研究。类似地，Kumar et al. （2018）表明，基于六边形和Voronoi小区集群的WSN数据聚合 方 案 可以降低能耗。 Ramsanara 等 人 也 使 用 了 Hisponal模式。Ramkumar等人（2021）用于在数据路由期间有效的中继节点选择，以便节省节点的能量消耗。上面提出的聚类方法不考虑遗传学，节点的移动性。然而，众所周知，移动性因子可以节省无线传感器网络中的能量消耗遵循这一逻辑，通过使用移动sink，在异构节点环境中提高了网络寿命，这有助于降低Mantri et al.（2016）中CH和sink之间的通信成本。提出的基于簇的数据聚合算法（MHCDA）将网络分为两层。静态层由源节点和CH组成，移动层由汇聚节点通过网络的移动性引出在这种体系结构中，每个CH利用来自其成员源节点的数据相关性随后，移动信宿移动通过网络以从CH收集数据。同样，Sasirekha和Swamynathan（2017）提出了一种集群链移动代理路由（CCMAR）协议。 为了实现数据聚合，该协议首先结合了Du等人提出的簇链路由算法。（2003年）和A.N. 恩乔亚角Thron，M.N. Awa等人沙特国王大学学报7913（LEACH）用于CHs形成。之后，部署移动代理进行数据收集和数据转发，以进一步降低数据传输到汇聚节点的能耗在静态无线传感器网络中，由于节点间的流量不平衡，为了解决这个问题，Wang等人（2018年）提出了一种增强型传感器信息系统（EPEGASIS）集群的功率效率收集，其中包括移动接收器和基于链的路由。数据聚合还涉及选择传输数据的最佳路径。为此，Wang等人（2019）使用了一种移动汇点和一种用于互锁通信的贪婪方案，以在传输数据时选择低能耗路径。数据压缩和数据冗余消除是数据聚合中用于减少通信开销的经典机制，通信开销对节点耗尽、延迟、数据包传输和网络拥塞有直接影响（Maivizhi和Yogesh，2020 年; Jan等人，2021; Ahmed等人，2019; Mantri 等人 ，2016年 ; Sasirekha 和 Swamynathan ， 2017年）。为了解决数据冗余问题，Jan等人（2021）提出了一种轻量级的双重数据聚合。在源节点级，相似性分析是通过减少或增加捕获数据的权重来实现的当给定节点感测到数据时，基于修改版本的欧几里德距离函数将当前捕获数据的值与先前感测数据的值进行比较如果两个数据值相等，则通过将其权重增加1来丢弃当前捕获的数据。然而，如果该值小于所定义的阈值，则先前捕获的数据的值被设置为当前数据和先前数据的平均值在数据值不同的情况下，将当前数据的权重设置为0，表示数据之间不存在相似性。通过数据丢失率、节点完整性和能量消耗水平来建立该方案的有效性。Ahmed等人提出了一种多级冗余数据消除和能量有效的算法--数据冗余控制的能量有效多跳算法（DREEM）。（2019年）。DREEM是一个协议相结合的集群和统计测试与适当的阈值。为了删除类似的数据，DREEM将网络划分为小型和大型集群。小簇头（SCH）聚集来自源节点的数据并转发到大簇头（BCH）。然后，表面汇从BCH收集数据 除了网络生命周期的改善，DREEM有助于提高网络的吞吐量。同样，为了进一步降低密集通信系统中的通信成本，无线传感器网络中产生大量数据，需要采用数据压缩技术.在Azar等人（2019）中，提出了一种基于Squeeze（SZ）算法的自适应版本的错误有界有损压缩方案，以减少转发数据量而不影响数据质量。SZ算法利用有限误差来控制信息损失，提高压缩比。性能研究表明，当数据在传输前被压缩时，物联网节点的电池电量会缓慢下降。以同样的方式，SZ与压缩感知、离散小波变换和深度学习模型相结合，构建时间序列压缩，以实现有效的带宽使用和网络寿命延长（Azar et al.，2020年）。压缩允许从更少数量的测量信号的refrecation，灰，而离散小波变换使用滤波器来分裂的信号的时间-频率表示。深度学习方法有助于将原始数据与近似数据进行分类。3. 系统模型3.1. 模型假设和符号本文考虑了一个具有单个汇聚节点的传感器网络，传感器密集分布在一个圆形区域的表面上，Fig. 1. 网络系统。圆汇节点（见图）。①的人。为了本文的目的，我们假设整个区域的传感器密度均匀（该模型可以很容易地修改，以适应不均匀的密度）。我们还假设传感器被分组为全等六边形单元，并且来自每个单元的传感器将其信息发送到单元中心的单个节点，在该单元中，信息在被传递到接收器之前被聚合。小区节点可以将它们的信息直接传递到汇聚节点，或者经由其他小区节点间接传递。小区节点的信息也可以被分成多个信道，然后可以在汇聚节点处重新组装。小区节点也可以多路复用在一起的信息从几个其他小区节点，可以忽略不计的信息损失或开销。我们的符号定义如下。在所有定义中，索引j范围从1到N，并且索引i范围从0到N。● 是与小区节点j相关联的每时间的信息其将被发送到接收器;● cjP0是当前在小区节点 j中剩余的能量容量;● 是小区节点j向小区节点i发送信息单元的功率成本（其还可以包括处理功率成本）。一般来说，t ij是节点i和j之间距离的凸函数;● x ijP 0是从节点j流到节点i的每单位时间的信息。我们假设值aj和tij在感兴趣的时间间隔上保持近似3.2. 模型约束小区节点j每次处理的总信息等于源自j的信息（即，aj）加上从其它节点流入节点j的该信息随后被传输到其他节点。每个节点的流入和流出信息之间的这种平衡给出了每个节点j;j^1;.的等式约束。N如下：A.N. 恩乔亚角Thron，M.N. Awa等人沙特国王大学学报7914NN×NNNNNNN←2←21/4×¼C（ω ）ð ÞCJ//最大值响应极坐标变换：P.PXi¼0xij¼.阿杰Xi¼1xji！;j1;.. . ;N15：创建nHex nHex0nz= sum（maskMx）。6：初始化为零：目标向量objVec（1×nz）;不等式N个等式的和（1）给出：约束向量bVecnHex×1;不等式约束Xj¼1Xi¼0）Xj1/4xij¼x0j¼Xj<$1Xj<$1阿杰aj：Xj¼1Xi¼1xjið2Þ矩阵Aineq（nHex×nz<$1）;等式约束向量cVec（nHex×1）;等式约束矩阵Aeq（nHex-1×nz= 1）。7：对于ih 1至nHex，8：向Aineq9：如果六边形在扇区的边缘上，则当量（2）保证所有信息最终流向10：扇区中只包含1sink节点为0。我们还对信息流xij施加了非负性约束，并禁止从节点到节点本身的流：xijP0;xii¼ 0;06i;j6N：103N11：如果结束12：结束13：对于ih 1至nHex，14：向Aeq15：如果六边形在扇区的边缘上，则16：扇区中只包含13.3. 网络生命周期在节点的能量容量有限的情况任何节点在当前能量使用下的剩余寿命由于线性，没有必要寻找依赖于时间的解决方案，因为时间平均策略将具有相同的系统寿命。使用上面定义的术语，节点j的能量消耗由下式给出：Nt ij xij，所以节点j的剩余生命周期是Ntijxij-一个因此，系统寿命可以通过求解i½0cj下面的最小化问题：最小化U，受到约束（1），（3）和N17：如果结束18：结束19：infoVec=带参数线性规划的解objVec;Aineq;bVec;Aeq和cVec20：将infoVec向量整形为nHexnHex矩阵21：将边界22：计算powerMx（infoMx×dhsqMx（elementwise）所有扇区的完整解可以通过反射通过连续复制从一个扇区的解获得，如下所示。为了复制第一个扇区，我们采用六边形位置的极坐标表示。设fmax为扇区中六边形的最大极角。 然后六边形在第二个扇区中，通过将六边形UP X tijxij; j ¼ 1;. . ; N：1041/4第一个部门围绕线从数学上讲，这个核心-我们将在（4）中将U称为系统使用线性规划可以容易地找到（4）的解3.4. 均匀模型该模型的几何结构具有12重对称性，在这个意义上，六边形的一个30μ m切片可以通过旋转和反射映射到其他11由于线性，任何非对称解都可以对称化，以获得至少与原始解一样好的解。因此，寻找具有12重对称性的解就足够了。因此，我们可以求解单个30μ s切片的方程，然后将解映射到所有其他切片。r;/ r;2/max-/在此之后，类似地复制第二扇区以获得第三扇区，依此类推，直到生成所有12个扇区4. 结果4.1. 仿真参数值在这项研究中，我们考虑一个统一的模型，其中所有节点都具有相同的信息密度：aj a和<$cj<$c816j6N：106N考虑a/c/1的情况就足够了：如果xij;U对应于用1/4c/1的溶液，然后用不同的算法1针对单个a;c的优化算法伪代码由axij;aU给出。我们还假设一个二次幂定律，均匀六边形模型Input：nMax：从六边形到水槽的输出：六边形的位置xVec和yVec;信息矩阵infoMx;以及幂矩阵powerMx1：计算扇区中六边形数量的上限：kMaxnMaxnMax1个= 2个2：生成扇区中六边形的（xVec;yVec）坐标（其中一些将太远并被移除）3：计算六边形间距离dhsqMx4：从xVec;yVec;dhsqMx中移除距汇点距离>nMax的六边形。设nHex=剩余六边形的数量。传输功率：tij/disti;j2; 7其中dist i;j是从小区节点i到小区节点j的距离。该假设对应于具有均匀背景噪声的自由空间路径损耗传播模型（Richards，2008），其最适合于具有均匀分布的传感器的传感器场。由于所涉及的低数据速率（以及定向传输），我们可以忽略来自不同节点的信号之间的可能干扰的影响。在模拟中，距离被归一化，使得任何小区节点与其最近邻居之间的距离为1。A.N. 恩乔亚角Thron，M.N. Awa等人沙特国王大学学报7915在这项研究中使用的区域是圆形的，半径范围从9到12。然而，我们也已经证实，较大的区域显示类似的行为。4.2. 单宿系统配置如前所述，WSN系统通常在覆盖区域的中心具有单个汇聚节点以服务整个区域。为了延长系统的生命周期，我们可以引入供电的第二个汇聚节点，它可以在不耗尽其容量的情况下将信息传输到中心汇聚节点。或者，我们可以从将六边形连接到中央接收器的源辐射状地运行几条传输和/或电力线，有效地将这些六边形的传输功率降低到零。所使用的次汇和次线可以具有不同的几何形状。在下文中，我们展示了各种系统几何形状的寿命图2显示了具有单个中央接收器的系统的信息流模式。示出了具有9个六边形的半径的区域，但是所有大小的区域示出了类似的图案。每个六边形中圆点的颜色表示从给定六边形到所有汇聚节点的组合总信息流每个六边形的彩色箭头指示流向相邻节点的所有信息流的方向和大小。图2中的信息流遵循非常规则的模式。来自任何给定节点的流被分为直接流向汇聚节点的流（由每个六边形中的彩色点表示）和流向相邻节点的流（由指向相邻六边形的箭头表示）。对于本研究中检查的所有其他系统配置，情况也是如此，而且一般情况下似乎也是如此。可以看出，外部六边形的相邻流都直接朝向六条平行排列的射线移动，沿着这些射线的阶梯式信息流也很大。但是在半径大约为区域半径一半的内六边形中，相邻的流不再朝向这些射线，而是平行于它们移动。图2示出了在单个中心接收器的情况下，来自与接收器相邻的节点的信息流几乎是与单个六边形相关联的信息的18倍图3示出了与图2中的信息流相关联的功率流。在这种情况下，每个六边形中的彩色点表示从给定六边形直接到汇的功率流的以10为底的对数（根据图中的色标）。六边形之间的箭头给出了相邻六边形之间的功率流的基础10欧姆。该图显示，许多节点将大部分功率用于直接传输图二. 单汇的信息流。图三. 单汇功率流。到实际上，对于大多数六边形，直接到源的功率消耗几乎相等，除了沿着上述六条射线的那些六边形，其中更多的功率用于相邻传输，因为沿着这些射线的信息4.3. 基于6重对称图1和图2所示的信息流和功率流。图2和图3分别表明，集中于减少沿六个对称射线的传输能量的系统配置将减少从其他节点直接传输的需要，从而延长系统寿命。这样做的一种可能的方法是沿着六个射线方向将有效的线汇（以传输线或电力线的形式）引入系统中，使得信息可以以可以忽略不计的成本沿着这些方向传输 图图4显示了具有六个线路接收器的系统设计的信息流。在图中，沿着线汇的六边形用黑色十字表示信息向线扩散见图4。 6线汇的信息流。A.N. 恩乔亚角Thron，M.N. Awa等人沙特国王大学学报7916从那里直接传递到主接收器。来自与汇聚节点相邻的节点的最大信息流约为2.5，这与图1中与主汇聚节点相邻的节点的18的信息流相比大大减少。 二、相应的功率流如图所示。图5中的功率标度与图3中的功率标度相同。显然，该地区六边形的直接功率流已经大大减少。事实上，一些六边形没有直接的功率流，所有的功率流都流向相邻的六边形。一种不同的方法来减少图1和图2中的大量信息和流。2、3将在沿着六条射线的位置处引入次级源（诸如中继器）。 图图6、7分别示出了这种系统的信息流和功率流。从与图的比较中可以清楚地看出。与原始的单宿系统相比，该系统配置在降低功耗方面也是有效的。信息和电力流更加复杂，因为现在有七个不同的节点吸引电力流。一些功率从中心节点流向次级节点。4.4. 基于3重对称在单汇和六汇配置之间的中间方法是沿三个对称方向引入有效的线或点汇。图图8 -11分别示出了三个次级线路和点汇的信息和功率流。所观察到的流动具有与图1和图2中的6线流动相似的特征。4和9。4.5. 替代系统配置图图12和13直接比较了上述五种可选系统配置的系统寿命，用于两个不同的区域尺寸。在图中，系统寿命被缩放，使得y轴示出与没有辅助节点或线路的基本配置相比的相对系统寿命。具有次级节点的解的曲线示出了缩放的系统寿命作为次级汇位置的函数，以距离区域中心的六分之一测量其他解决方案的线是平的，因为这些系统没有次级汇。这些图表明，具有六个线汇的系统始终具有最长的寿命。此外，线汇的相对优势相比，基本和次要节点的解决方案，随着区域大小的增加而这 一趋势在 图 中 得到了澄清。 十四、见图6。 6个次级汇的信息流。见图7。 6个次级汇的功率流。图五. 6个线路汇的功率流。这表明，当区域大小从4个六边形增加到20个六边形时，线解与基本解的相对优势增加约3倍。与线解决方案相比，与基本解决方案相比，具有次级节点的解决方案的相对优势仅随着区域大小的增加而略微增加，如图14所示。图12和图13都表明，二次汇的最佳位置大约是到区域边缘距离的2/3。这是有意义的，因为这种放置最小化了区域中的点到最近传感器的最大距离。5. 讨论和结论本文提出了一个详细的调查的生命周期的替代系统配置的无线传感器网络在一个圆形区域。该区域被划分为六边形单元，并且来自每个单元的信息被组合并定向地传输到接收器或其他单元。允许向多个小区的同时传输，并且不同传输的功率电平可以A.N. 恩乔亚角Thron，M.N. Awa等人沙特国王大学学报7917见图8。 3线汇的信息流。见图9。 3个线路汇的功率流。见图11。 3个次级汇的功率流。见图12。对于半径为12个六边形的区域，各种系统配置的系统寿命延长。见图10。 3个次级汇的信息流。图十三.对于半径为20个六边形的区域，各种系统配置的系统寿命延长。A.N. 恩乔亚角Thron，M.N. Awa等人沙特国王大学学报7918见图14。作为区域大小的函数的不同溶液的相对寿命。每个区域大小的所有寿命值通过除以相同区域大小的基本解的寿命来归一化。图15.作为区域大小的函数的不同解决方案的归一化寿命。所有寿命值通过除以半径为4个六边形的区域的基本解的寿命来归一化控制在不同的水平。在信息密度均匀和传感器分布均匀的假设下，通过引入有限数量的传输线或中继器来促进信息传递，可以大大延长系统的寿命。线汇比次级点汇更有效，并且它们的相对有效性随着覆盖区域的大小增加而增加。 图图14示出了对于具有20个六边形的半径的区域使用六个线阱将系统寿命增加了12倍。是的，菲格。图1/5示出了具有半径为20的六边形的使用线接收器的系统具有与具有1/5半径的基本（单接收器）系统大约相同的寿命，同时提供25倍大的区域的覆盖。我们的研究结果表明，对称线汇持有承诺作为一个实际的替代WSN具有延长的生命周期。当然，引入线汇会带来额外的成本，因此成本效益权衡可能因情况而异。通过量化性能的改善，我们的结果提供了必要的信息，成本效益分析。未来的工作可能会调查非均匀的系统，或系统的不规则形状有多个汇。等式（1）对延迟的进一步研究也留给了未来的工作。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用哈 希 姆 内 务 部 Chang ， V. ， Anuar ， N.B. ， Adewole ， K. ， 雅 各 布 岛 ， 加 尼 ， A. ，Ahmed，E.，Chiroma，H.，2016.大数据在智慧城市中的作用Int. J. Inform.管理。36（5），748-758。佛罗里达州阿拉巴奥斯曼，M.，哈希姆内务部Alotaibi，F.，2017年。物联网安全：一项调查。 J. 网络计算Appl. 88，10-28。Nels，S. N.，辛格，J.A.P.，2021.分层分数量化核最小均方滤波器在无线传感器网络数据融合中的应用。无线网络通信：1-22Gunduz，M.Z.，达斯河2020.智能电网的网络安全：威胁和潜在的解决方案。Comput.网络169，107094。Dileep，G.，2020.智能电网技术与应用综述。可再生能源146，2589-2625。Zhou，L.，中国科学院，Ge，C.，Hu，S.，苏，C.，2019.无线传感器网络中能量有效且隐私保护的数据聚合算法。 IEEE Internet Things J. 7（5），3948-3957。Djedouboum，A.C.，阿里匿名戒酒会Gueroui，A. M.，Mohamadou，A.，Thiare，O.，Aliouat，Z.，2020年。面向大数据采集的大规模无线传感器网络建模框架。对称性12（7），1113。Pundir，M.，Sandhu，J.K.，2021.使用机器学习的无线传感器网络服务质量的系统综述：最近的趋势和未来的愿景。J. 网络计算Appl. 103084陈旭，Hu，X.，Zhu，J.，2005.无线传感器网络中的最小数据聚合时间问题。在：移动ad-hoc和传感器网络国际会议，施普林格，pp. 133-142。Titouna角，阿里匿名戒酒会Moumen，H.，2018. Fdra：无线传感器网络故障检测与恢复算法。在：移动网络和智能信息系统国际会议，Springer，pp。72比85Gbadouissa，J.E.Z.，阿里匿名戒酒会Titouna角，Gueroui，A. M.，Thiare，O.，2020.基于超图的功率感知无线传感器网络分簇方案。未来一代Comput.系统105，175-183。Khedo，K.，杜蒙河Aucharuz，S.，例如，2010年。Reada：消除冗余以实现无线传感器网络中的精确数据聚合。无线传感器网络2（04），300.Coudert，D.，Kodjo，A.，Phan，T.K.，2015.具有冗余消除功能的鲁棒能量感知路由。Comput.操作员Res. 64，71-85.Xie，S.，陈志，2017年。物联网传感器大数据异常检测与冗余消除，arXiv预印本arXiv：1703.03225。Priya，D.，Enoch，S.，2018.数据包冗余消除技术在传感器网络中的作用。J.计算机Sci.14（6），740-746。Maivizhi河，Yogesh，P.，2020.无线传感器网络数据融合中基于空间相关性的数据冗余消除。2020年信息技术创新趋势国际会议（ICITIIT）IEEE，第 1比5。乌拉岛尹贤贤，2020.基于节点分簇和极限学习机的无线传感器网络高效数据聚合。J.Supercomputing 76（12）.乌拉岛杨，J.，汉，Y.- H、2021.智能环境中基于改进的d-s信熵的多传感器数据融合。IEEEAccess 9，37813-37822。Jan，S.R.，汗河，汗，F.，Jan，M.A.，Alshehri，医学博士，巴拉苏布拉马尼姆，V.，Sehdev，P.美国，2021.资源受限网络中支持边际和平均权重的数据聚合机制。Comput. Commun. 174，101-108.Dhand，G.，Tyagi，S.，2016.无线传感器网络中的数据聚合技术。程序计算Sci.92，378-384.徐，X.，安萨里河，Khokhar，A.，Vasilakos，A.V.，2015. WSNS中使用压缩感知（HDACS）的分层数据聚合。ACM Trans. Sensor Networks（TOSN）11（3），1-25.阿维纳什河Janardhan，H.，Adiga，S.，Vijeth，B.，Manjunath，S.，Jayashree，S.，Shivashankarappa，N.，2015.卡尔曼滤 波 在无线传感器网络数据预测中的应用。2015年智能传感器与系统国际会议（IC-SSS）IEEE，第 一比四傅河，俄-地张志，Li，L.，2016.基于lstm和gru神经网络的交通流预测。2016年第31届中国自动化学会青年学术年会IEEE，第 324- 328郑洪，Xie，Z.，施，Y.，Xiong，N.，2019.基于一维cnn和双向lstm的无线传感器网络多步数据预测。IEEEAccess 7，117883-117896。张玉- F.、索伯恩，P.J.，湘，W.，Fitch，P.，2019.一种用于恢复丢失的时间序列传感器数据的深度学习方法。IEEE Internet Things J. 6（4），6618-6628。A.N. 恩乔亚角Thron，M.N. Awa等人沙特国王大学学报7919Aboubakar，M.，Kellil，M.，Bouabdallah，A.，Roux，P.，2020.利用机器学习估计可重复使用网路的最佳传输距离。NOMS 2020 -2020 IEEE/IFIP网络运营和管理研讨会。IEEE，第 1比5。Mohanty，S. N.，Lydia，E.L.，Elhoseny，M.，Al Otaibi，M.M.G.，Shankar，K.，2020. 基于 深度 学习 和lstm 的节 能无 线传 感器 网络 分布 式数 据挖 掘模 型。 Phys.Commun. 40，101097。Mantri，D.，Prasad，N.R.，普拉萨德河2013. Bhcda：无线传感器网络中基于带宽高效异构感知簇的数据聚合。2013年国际计算机、通信和信息学进展会议（ICACCI）。IEEE，第 1064-1069.Mohanty，P.，Kabat，M.R.，2016.无线传感器网络中节能的无结构数据聚合和传输。埃及告知。 J. 17（3），273-284。德维VS Ravi，T.，Priya，S.B.，2020.无线传感器网络中减少延迟和丢包的基于簇的数据聚合方案。Comput. Commun. 149，36-43。巴布，MV，Alzubi，J.A.，塞卡兰河，帕坦河，Ramachandran，M.，Gupta，D.，2021年无线传感器网络中基于改进idaf-fit分簇的aslpp-rr安全数据汇聚路由。移动网络应用26（3），1059- 1067。王建奎，戴，H.-N.，郑志，伊姆兰，M.，Vasilakos，A.V.，2017年。具定向天线之无线感测网路之连通性研究。传感器17（1），134.Dunlop ， J. ， Cortes ， J. ， 2007. 定 向 天 线 对 无 线 传 感 器 网 络 的 影 响 。 2007 年 IEEEInternational Conference on Mobile Adhoc and SensorSystems。IEEE，第 1比6利伯蒂，J.C.，T.S. Rappaport，1994. CDMA系统容量改进的分析结果。IEEE运输车辆Technol.43（3），680-690.Baltzis，K.B.，2011.半球形与圆形细胞形状：两种流行的建模近似的比较分析和评估。在：Melikov，A. (Ed.)、蜂窝网络：定位，性能分析，可靠性，InTech，pp。103-122.Debessu，Y.G.，吴，H- C.的方法，Chang，S.Y.，Huang，S.C.- H、2011.具有六边形聚类的无线传感器网络的寿命分析，在：2011 IEEE全球电信会议- GLOBECOM2011，pp. 1-5. doi：10.1109/ GLOCOM.2011.6134301。Debessu，Y.G.，吴，H-C.的方法，Huang，S.C.-H、2010年。一种新的无线传感器网络拓扑相关分簇与簇头选择方案。2010年通信和移动计算国际会议，第3卷。IEEE，第 147- 151王杰，高，Y.，刘伟，Sangaiah，A.K.，金，H.- J.，2019.支持移动sink的无线传感器网络能量有效路由算法。传感器19（7），1494。古普塔，P.，夏尔马，A.K.2019年。基于细菌觅食优化和模糊逻辑系统的无线传感器网络HEED协议优化。软. Comput. 23（2），507-526。艾哈迈德，G.，赵，X.，法里德，多发性硬化症，Asi