智能建筑无线传感器网络分层节能框架

埃及信息学杂志23（2022）137基于时态关联规则挖掘的智能建筑无线传感器网络分层节能框架Farhan Sabir Ujagera，Zhao，Azhar Mahmoodb，Muhammad Usmanc，Muhammad Siraj Rathoreb巴基斯坦瑙谢拉北方大学信息技术工程学院ab首都科技大学（CUST），伊斯兰堡，巴基斯坦cShaheed Zulfiqar Ali Bhutto，科学技术研究所，巴基斯坦阿提奇莱因福奥文章历史记录：收到2021年2021年8月25日修订2021年9月20日接受2021年10月2日网上发售保留字：节能无线传感器网络层次时态关联规则挖掘与频繁模式A B S T R A C T扩展传感器的能量消耗是无线传感器网络（WSNs）中的一个关键研究问题。最近，关联规则挖掘已被证明是一个潜在的候选人，以延长传感器网络中的传感器节点的生命周期。然而，没有考虑上下文值的时间相关性，这对于传感器节省能量是有用的。同样，在网络的不同层次的关联规则挖掘没有被认为是减少传输消息的数量，通过避免冗余数据，这是传感器的能量消耗的主要原因。本文提出了一种新的分层节能框架（HECF），该框架利用分层时态关联规则挖掘技术在多层建筑中实现网络各层的节能。在分层设置中，建筑物的每个楼层可以通过在网络的不同层处使用时间关联规则挖掘来在本地sink处本地地节省能量并且在全局sink处节省整个网络能量。HECF是大型多层建筑的理想选择，在这些建筑中，节能是一个主要问题，同时也是有效的监控和系统性能。结果表明，HECF在能量消耗方面优于LEACH-C和RR-Schedule- Buffer等经典节能方法它延长了16%的网络寿命，同时减少了20%的数据传输消息，这是一个显着的改善传感器节能。©2022由Elsevier B.V.代表开罗大学计算机与信息学院发布。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍微电子和无线通信领域的最新进展导致了大规模无线传感器网络的发展这些传感器网络有能力感测环境，本地计算数据，并将其中继到控制位置进行进一步处理。能量消耗的主要原因是由传感器节点的传感器数据的传输通过减少冗余数据传输，最大限度地减少传输*通讯作者。电子邮件地址：farhan@northern.edu.pk（F.S. Ujager）。开罗大学计算机和信息系负责同行审查。消息，传感器节点的寿命可以延长，因此WSN[1]。无线传感器网络在许多应用领域，如居住者监测，环境监测，军事和灾害管理，目标跟踪的重要性。在所有应用领域中，现有的新兴应用领域之一是智能多层建筑[2基于传感器的智能建筑产生了许多好处，例如改善居住和商业环境提高电器和设备的使用寿命建筑物相关设施使用的有效节能提高资产可靠性最重要的是，从集中和分散的位置观察、调度和响应https://doi.org/10.1016/j.eij.2021.09.0011110-8665/©2022由Elsevier B. V.代表开罗大学计算机与信息学院出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.com●●●●●Farhan Sabir Ujager，A.Mahmood，M.Usman等人埃及信息学杂志23（2022）137138所有这些好处都依赖于有效的能源管理和WSN网络寿命的延长。近年来，从无线传感器网络中提取知识的研究受到了数据挖掘界的极大关注。基于分类的不同方法[6然而，由于无线传感器网络产生的连续、异构和大量的数据，传统的数据挖掘技术是不适用的，这给研究带来了新的挑战。关联规则挖掘[9]被引入来发现事务数据库中出现的频繁项集之间的相关性。关联规则挖掘是从传感器网络节点产生的原始数据中发现关联关系。这些关联是时间的，空间的，或在传感器节点的感测数据的不同属性之间[7，10基于关联规则的挖掘方法采用集中式或分布式规则生成架构[7，11]来实现WSN的节能。然而，它已被观察到，分布式关联规则挖掘架构产生更好的结果，从汇到节点的响应和整体能源效率的WSN。类似地，已经提出了几种关联规则挖掘机制，这些机制基于传感器节点的空间相关性[10，13，14]据我们所知，以前提出的技术都没有采用基于层次的关联在一起，挖掘有用的模式的传感器数据的能量保存的WSN。相似地，生成的关联规则的有用性已经相对于支持度和置信度参数进行了分析，然而，有用性可以进一步分析关联规则挖掘的其他Lift产生更好的规则，因为它考虑了置信度和支持度。此外，关联挖掘这样的分析也可以成为无线传感器网络更好的能量效率的新维度。现代建筑设计复杂，并提供各种...服务等级（例如管理、安全和舒适）需要更系统的服务等级设计，例如分级管理。现代建筑物大多数是多层的，无线传感器网络是其中不可或缺的一部分，可以提供各种服务。现代建筑物对正常的电器没有能量供应限制，然而，在建筑物中通常存在一些难以到达的位置，在这些位置处，难以向传感器（例如，用于检测污水管道故障、水流和供应故障检测的传感器）提供电力在这些位置直接供电;更换传感器电池是困难的[17]。类似地，管道和导管传感器部署在细管道和导管中，用于监测温度、压力和湿度。另一个部署位置是露天部署，其也需要远程电池备份而不是直接供电。因此，在智能建筑中，与其他WSN部署相比，WSN寿命延长同样重要。分层WSN部署是有必要的，因为它提供了多种好处[18]，例如分层WSN在设计和实施方面具有高度可扩展性，特别是在多层复杂建筑物中。类似地，它提供了有效的可扩展性，因为每个层执行其预定义的功能，这些功能在整个每个层中是一致的，如图11所示。1.一、在拟议的HECF中，我们考虑了现代多层建筑物的场景，如图2所示。为了实现分层节能，提出了三种基于时间关联的算法，分别在传感器网络的不同层（sink、簇头和节点）挖掘有用的模式，以达到节能的目的。提出的算法在传感器节点和簇头（CH）显着减少冗余数据传输，其中集群是一组传感器。CH是传感器节点集群中的传感器节点，并且它执行将集群的数据与感测一起发送到网关的附加任务。他们有有限的电池备份量为上述任务。CH选择是基于一个选举，这取决于能量水平和距离传感器从汇[19]。不同的传感器节点承担CH的责任，并且如前所述，传感器节点部署在不可能直接供电的某些位置。在CH级，能量守恒同样重要。提出了一种基于时间关联的无线传感器网络局部和全局sink调度算法，实现传感器节点的最优监测调度，以节省无线传感器网络的能量。此外，在此提出的框架中，我们利用了高级规则验证措施（Lift）[20]，用于生成更强的传感器调度规则，以节省能量，从而延长智能多层建筑中传感器的寿命。本文的其余部分组织如下：第二节介绍了相关的工作，第三节描述了关联规则挖掘的正式定义和详细讨论拟议的HECF框架。第四节描述了HECF框架的实现和模拟设置以及数据集细节，以验证HECF框架。第五节提供了仿真结果和HECF与其他方法的比较分析。在第六部分是对研究结果的总结。2. 相关工作相关工作部分包括两个小节（i）文献综述和（ii）相关工作的比较分析2.1. 文献综述数据挖掘是一个著名的计算领域，用于从给定的数据中提取有趣的模式和有用的信息这种提取的信息是有用的，在采取关键的决定，为整个系统的改进。利用数据挖掘领域中的关联规则挖掘技术，对传感器的节能问题进行了研究本研究中的综述文献要么遵循传输的减少，要么通过传感器节点的扩展减少感知本研究的重点是采用基于关联规则挖掘的方法来寻找传感器的不同方面之间的关联，以节约能源。提出了一种新的机制[7]来学习覆盖点（POCW）的行为模式，以减少在接收端的事件报告频率。基于目标时间事件关联的三种能量感知数据准备机制在节点级别。然而，空间和数据属性的相关性没有被考虑在这种方法中的规则的生成。目标的行为活动被监控并存储在每个节点的缓冲区中[8]。以分布式方式执行时间关联挖掘以找出频繁节点（具有等于或高于给定阈值的支持度和置信度的节点）。提出了一种机制[10]来压缩从传感器节点收集的数据，以便快速有效地挖掘，目标的行为模式基于树的数据压缩机制用于基于空间相关性的数据挖掘。该机制还在节点处使用了闪光灯来研究目标的行为模式。提出了一种新的算法，即智能协作事件查询（ICEQ）[21]，该算法基于关联规则，Farhan Sabir Ujager，A.Mahmood，M.Usman等人埃及信息学杂志23（2022）137139Fig. 1. 提出了分层传感器网络架构的框架。图二. 基于传感器网络的多层建筑。挖掘为了高效地生成规则，基于树的挖掘在汇点处执行（集中式挖掘）。该算法的新颖之处在于，相关性是基于查询生成和频繁的传感器节点的选择。在[22]中提出了一种自适应数据减少方法，以增加传感器网络的生命周期。该方法利用相似度函数对冗余数据进行识别，并根据相似度指标的得分调整传感器的采样率，保证采样率自适应。基于传感器节点属性（上下文）关联规则挖掘的上下文感知框架[11]，其使用分布式架构在节点和网络级别提取规则，以改善WSN的能耗。提出了一种分布式数据提取（DDE）机制[19]，通过应用关联规则挖掘（时间和数据关联）来预测来自传感器的丢失和损坏数据。 此外，所提出的机制减少了数据的大小，这对整体有效的网络性能具有重要意义。提出了一种基于遗传算法的解决方案，通过在分布式挖掘架构中使用关联规则挖掘来真[13]。节点级关联规则挖掘提取数据属性之间的信宿遗传算法使用提取的模式、能量消耗和网络能量均衡来计算用于在信宿处路由感测数据的在[23]中，提出了一种基于预测的数据该技术使用主成分分析（PCA）来减少传输的数据，然而，PCA可能会导致感测数据的丢失，从而导致低精度。在[24]中提出了用于建筑物中的占用检测系统的WSN能量效率技术。在这种方法中，传感器的占空比的不同组件然而，传感器的占空比的变化可能导致感测数据的不准确性。在[25]中已经提出了一种用于传感节点的节能睡眠和唤醒（占空比）调度技术，该技术确定了能量均衡的传感器的最佳半径，模糊矩阵相似度相关使传感节点休眠，传输冗余数据以节省能量。一种基于集中式（汇点数据挖掘）预测的跟踪技术[26]，称为基于序列关联规则模式（PTSP）的预测跟踪。它是一个框架，旨在实现显着减少的目标跟踪传感器网络消耗的能量，同时保持可接受的错过率水平。提出了一种新的多级对象牵引（MLOT）机制[27]，用于节能和实时跟踪通过挖掘节点的运动日志，对无线传感器网络中的目标进行定位。2.2. 相关工作为了节省传感器网络的能量，已经提出了几种技术来提取有用的模式本小节对本文中讨论的拟议技术进行了对某些规定参数进行比较分析，这些参数如下所示：Farhan Sabir Ujager，A.Mahmood，M.Usman等人埃及信息学杂志23（2022）137140[关联规则挖掘架构是一个重要的方面，因为集中式挖掘架构挖掘维度定义了执行关联挖掘以实现高效响应的级别关联规则挖掘算法类型相关性（时间、空间、数据）基础上提取用于生成规则的规则验证标准（支持度、置信度、提升度、Levenger）网络中的节点数量，定义了网络的大小数据路由机制，因为它是最耗能的过程对表1中的比较分析的仔细研究表明，所提出的解决方案应具有以下特征：以分布式方式执行关联挖掘的能力（即，在不同的层次），以有效应对能够采用高效的关联规则挖掘算法能够采用先进的规则度量标准来生成更好的规则能够使用所有相关类型来更好地提取模式3. 拟议的节约能源框架本文的这一部分将讨论无线传感器网络的“层次节能框架”（HECF）以及与HECF相关的定义。3.1. 关联规则的形式化定义时态关联规则挖掘在传感器网络的不同层次（即传感器节点，CH和Sink）被采用。在传感器节点和CH端，时间关联挖掘将有助于减少冗余数据传输到CH和从CH到sink。类似地，传感节点的时间关联将用于集群中的传感器节点的调度在本节中，我们提出了时态关联挖掘和关联规则的定义，这将有助于减少多层建筑中传感器网络的总体能耗建议的HECF使用中定义的参数来生成关联规则，这些参数是Duty_Cycle（DC）、时间窗（k）和最小支持，S. 另 一 个 参 数 被 引 入 为 用 于 簇 头 的 Duty_Cycle Cluster Head（DCCH）。时间窗口（k）是传感器感知环境并存储在缓冲区中的允许时间，由于传感器连续感知数据，因此两个相邻窗口之间没有延迟k是DC的时间单位，它由num组成时间窗口的误码率（k s），如图所示。 3. 传感器节点不向CH连续发送冗余数据报文在执行时间关联挖掘（在DC时间内）之后，它将满足最小定义支持（S）的数据发送到CH。类似地，DCCH是CH从集群中的所有传感器接收数据的时间段CH在DCCH上执行时间关联挖掘，并将时间频繁值连同楼层和集群ID一起发送到信宿。定义的概念和相关规则如下：定义1.设DC s是传感器感测环境的时间窗口的集合，DC s ={k1，k2. . ，kn}。定义DC的大小，大小（DCs）=|kn-k1|其中k1是开始时间窗口，kn是结束时间窗口。定义2. 设Vi是网络中某个传感器的一组观测值，Vi={v1，v2，. . .vn}。 这些观测值存储在缓冲器中，具有以DC s为单位的对应时间窗口ki。定义3.设Ci（Cluster）是部署在房间、办公室或大厅中的一组传感器，Ci={S1，S2Sn}。其中CHi是传感器（簇头）属于Ci。稍后定义在集群中的所有传感器中的CHi的选择定义4.规则的支持度定义为从Vi到DC s中的时间窗ki的观测值（XY）的支持度。，而规则的置信度定义为C（X？ Y）=支撑（X [Y]）/支撑X规则的提升定义为表1建议的现有技术的关键分析表参考关联采矿数据数据预测阈值捐款限制采矿水平采矿协会支持信心路由●●●●●●●●●●●算法;[七]《中国日报》[八]《中国日报》分布式分布式汇聚节点Sink，CH&AprioriApriori时间时间没有没有0-90%10-90%––单跳多跳数据减少数据减少附加存储器附加存储器[10个国家]集中节点水槽基于树时间和没有10-90%–跳多数据压缩附加存储器[21日]集中水槽基于树空间数据属性没有–百分之六十跳多最小节点选择附加查询[第十一届]分布式Sink，CH&Apriori数据属性没有–50-100%跳多监测最小节点选择消息时空[19个]分布式节点Sink，CH&Apriori时态数据是的–66-80%跳多监测预测缺失关联缺失空间关联[13个国家]集中节点节点Apriori属性数据属性没有––跳多值能量感知失踪大型查询消息Farhan Sabir Ujager，A.Mahmood，M.Usman等人埃及信息学杂志23（2022）137141图三. 超过四个窗口插槽的传感节点（DC）的占空比。提升（X？Y）=支撑（X[Y）/支撑（X）。支持（Y）定义5.设最小支持度（min_s）和最小置信度（min_c）分别为传感器节点处的阈值，当且仅当在同一DC期间，支持度>= min_s，置信度>=min_c比规则ki（X）？ kj（Y）称为时态关联规则。其中，X、Ye Vi是传感器的观测值X和Y将被称为传感器处的时间频繁感测值。定义6.令SVi ={时间频繁感测值}，SVi=Vi，被定义为要由单个传感器发送到CH的特定DC定义7.令SV all是集群（Ci）中的所有传感器的观测值的集合，SV all={SV 1，SV 2，. SVn}，其中n是集群中传感器节点的数量。SVall被定义为集群中频繁时间值的集合。定义8.设最小簇头支持度（minCH_s）和最小簇头置信度（minCH_c）分别为CH处的阈值，当且仅当在同一DCCH期间，支持度>= min CH_s且置信度>= min CH_c的规则Si（SV P）？Sj（SVQ）被称为CH上的传感器时间关联规则其中SVP、SVQeEVset（提取值集合）、EVset（所有传感器节点的）SVall在集群中），它被定义为由特定CH发送到信宿的一组提取值。3.2. 拟议的节约能源框架在本节中，提出的HECF是作为一个框架设计的传感器节能适用于多层建筑的分层方式。如图4所示，所提出的框架的目标是：通过找出传感器节点值之间的时间相关性来减少从传感器节点到CH的感测值的冗余数据传输。因此，它只传输时间频繁值。为了减少从CH到本地sink的数据传输，通过发现传感器节点之间的时间相关性，在给定的时间窗口中的集群根据在sink中挖掘的时间相关规则，将传感器节点（其中只有少数节点保持活动）调度到特定的簇中，并学习这些规则，以有效和高效地节省建筑物每一层或每一个房间的传感器通过设置智能节能的分层传感器网络，实现整个多层建筑的全局节能。如前所述，多层建筑物的分层节能框架正在提出。在来自每个簇的感测节点仅向簇头发送时间频繁感测数据的情况下，簇头然后仅向本地汇聚节点发送传感器节点的时间频繁数据。本地汇聚节点负责生成和学习时间关联规则，调度传感器节点进行环境监测。局部调度的好处在于：由于要调度的传感器节点的数量较少并且对传感器节点的快速响应将是可用的，因此可以在时间上执行有效的调度以用于传感器局部的能量效率。类似地，本地sink节点具有直接的能量供应，并且从CH到全局sink的多跳数据传输的能量消耗随着本地sink节点的存在而大大降低。IN作为到具有预定义路由的全局接收器的网关节点。 时间关联规则同步到全局接收器，用于全局视图，并且按楼层执行整个建筑物的调度。传感器网络分为网络层，如图4所示，它们是传感器节点级、集群级和网络级。传感器节点在地理上分布，并被划分为集群。簇的形成是由汇聚节点进行的。本地sink执行簇形成，使用该技术[29]。集群的形成是根据通过在传感节点之间进行负载平衡来实现能量有效的方式，并且考虑网关路由。能源效率的集群形成和网关路由是可取的整体能源效率的建议框架。见图4。 分层节能框架（HECF）。●●●●Farhan Sabir Ujager，A.Mahmood，M.Usman等人埃及信息学杂志23（2022）137142簇形成后，一个传感器节点被选为簇头（CH），将负责接收数据。每个簇中CH的选举过程将由汇聚节点通过使用技术[19]进行。所有传感器节点都将参与选举过程。然而，只有该传感器节点将被选为CH，其具有到本地sink的最小跳数和簇中的最大能量最大-算法1：在传感器节点（Si）处挖掘基于频繁值（SVi）输入：DC中的一组观察值（Vi）和一组相应的总时间窗口（ki）输出：要发送到簇头的时间频繁感测值（SV）的集合以及时间关联由于所有传感器节点都将将数据发送到CH，并且CH将所挖掘的数据（其中冗余数据被移除）发送到信宿。此外，每个簇将具有辅助CH，在主CH已经达到最小能量水平的情况下，辅助簇头将根据建议接管簇头的职责。类似地，最小跳数对于减少能量消耗是期望的，因为这是传感器能量消耗的主要原因。本地汇聚节点将CH标识广播到对应集群的所有传感器节点，并且沿着感测节点（DC）的Duty_Cycle。 DC是持续时间，在该持续时间到期之后;所有传感器节点将根据该规则将时间频繁的感测值传输到相应的CH，如图5所示。 四、同样地，本地宿也将Duty_Cycle簇头（DCCH）发送到各个建筑物楼层上的所有簇头。为簇定义DCCH的目的是根据规则挖掘特定簇中传感器节点的频繁时间感知值.分层架构有助于减少控制和调度消息的总体广播，因为这些消息将仅广播到特定楼层的集群，而不是以最小跳数传输方式广播到所有集群。传感器节点将感测DC的定义窗口（k）中的数据每个传感器节点将有一个内存缓冲区来存储感测的数据与相应的分配的窗口。Buf的大小1：SVi={时间频繁感测值} 2：FORki= 1至n3：IF[Vi+1] ==[Vi]4：则temp =Vi+15：IF支持（温度）≥min_s置信度（温度）≥min_c6：THEN[temp]sSV设置7：否则丢弃该值第八章：端九：RETURNSVi（k）（以及群集ID和楼层ID）如图6所示，集群的所有传感器已经在它们各自的占空比（DCSi）上发送了时间频繁感测值（SVi）。DCCH包含多个DC。在DCCH到期后，簇头将挖掘传感节点之间的时间关联，以及时间上提取的频繁值（EV集）根据推理.在CH处将形成提取的临时关联的频繁值的集合（EV集合）。算法2从特定簇的感知节点中挖掘提取的频繁值集（EV集）。所提出的算法2将采用每个传感器（Si）的时间频率值（SVi）来挖掘 CH的所提取的时间频率值（EV集合本地汇聚节点由数据存储组件、时态关联生成组件、规则学习组件和规则触发组件四部分组成。如图所示，fer等于DC。 3. 它储存了所有被感知到的根据定义2，给定DC的读数。传感器节点能够对所感测的数据执行时间关联规则挖掘，如上文所述。 例如，传感器节点S1感测读数序列;算法2：根据簇内传感器节点的相关性建立一组时间频繁值（EV集输入：集群中的所有传感器（m）的观测值（SV_all）的集合和DCCH中的对应DC_si。给定DC中的中、中、高，如图五.传感器节点S1将发送数据'中等'对gener- ated规则（即k 1？k2），类似地，针对生成的规则（k 3 ^ k 4？k5）。由于感测值（SV）必须满足要发送到CH的最小支持标准，因此任意传感器（S1）的DC已经在图5中表示为示例。S1发送时间频繁感测值而不是向CH发送冗余消息（根据定义5和定义6）。算法1提出了基于时间关联的时间频繁感知值（SV）挖掘算法。图1将根据定义的最小值，在DC上挖掘时间频率感知值支持和信任。算法1的结果是一组项-输出：集群中传感器节点相关性的频繁值集（EV集1：EVset 1={沿着集群中的传感器节点的关联的频繁值}第二章：对于S，i =1至m第三章：对于SVi =0至n四：如果支持度（[Si][SVi]）≥minCH_s置信度（[Si][SVi] ≥minCH_c第五章：THEN [SVi][k]eEVset第六章：否则丢弃第七章结束第八章结束九：RETURNEV设置（沿群集ID和楼层ID）感测节点的部分频繁感测值（SVi）。 后在每个 DC 到期时，来自集群的每个感测节点的数据将在具有cluster_ID和Floor_ID的相应集群的CH处累积图五. DC观察任意传感器节点的值。图第六章每个DCs上CH处的传感器的时间频繁感测值（SV i）的DC CH。Farhan Sabir Ujager，A.Mahmood，M.Usman等人埃及信息学杂志23（2022）137143≥时态关联规则生成组件采用所提出的算法3.a生成规则。通过使用提升措施。所提出的算法3.a将有助于在一个特定的集群中生成的规则的规则学习组件被设计为包含未执行的规则以节省能量该组件的引入将有助于理解传感器的使用模式突出的使用模式将以高优先级值突出显示。表2具有规则优先级的学习组件。无规则时间优先级1S1？ S29：00 AM942S2 ^S3？ S19：15 AM923S 2？第1天上午9：0087在全局层面上，每个楼层的本地sink将时间关联规则与感测数据一起发送到全局sink通过网关监控和调度所有楼层，算法3.a：时态规则生成1：Rule_Set（C_ID）={具有全局时间的时间关联规则生成（c）}2：FORGlobal_c= 0到n（其中n是Windows在一天）3：计算升程（EV设置）4：IF（规则i最小提升）5：然后规则i有效6：其他规则我放弃7：规则集（C_ID）=规则i第八章结束九：RETURNRule_Set（C_ID）（与群集ID和楼层ID一起）观点，即全球汇。全局视图有助于实现更好的全局分析、更好地理解问题区域以及更好地调度建筑物楼层处的传感器操作，从而实现更好的能量效率。4. 实施模拟设置在 本节 中 ， 讨论 了 所提 出 的模 型 和 仿真 设 置的 实 现 。NS2和MATLAB v.7用于实现、数据提取、网络聚类以及在网络寿命、消息减少和平均能耗方面的结果比较。在建议的HECF中，我们考虑了每层建筑面积为250 m × 250 m的多层建筑，如图所示。 二、森-分类节点被分组到集群中。关于森的沟通将节点分类到簇头是单跳，因为簇是按房间划分。规则在学习组件中按升序排列关于优先级（优先级基于规则的Lift度量该任务由所提出的算法3.b执行如表2所示，学习组件具有规则以及每个规则的持续时间和对应的优先级。触发组件将在规则满足条件时触发规则。例如，如果规则生成为（10：00到10：15PM：S1 ^S3？ S5），当全局时钟（c）（在本地宿）将有这个时间（10：00到10：15 PM），这个规则就会被触发。如果所述感知节点的感知值与所述规则的感知值相同，则执行所述规则。如在示例中所提到的，感测节点S5和S3将在该持续时间（15分钟）内由本地宿转向睡眠模式以节省能量，并且规则的优先级将递增。在感测节点的值在特定全局时间（c）上不同的情况下，规则将不被触发，并且规则的优先级将递减。重要的是要注意，规则的有效性是基于优先级（拟议框架的提升措施）。如果规则的优先级等于或大于给定的阈值，则会发生否则。算法3.b：规则学习一曰：令规则i_Priority =规则的提升2：Global_Time（G_T）=当前时间，分配当前时间3：G_ci =a的时间关联规则（时间值）特定集群4：如果（（G_T == G_ci）检查传感器值是否有效w.r.t规则）5：THEN规则i_priority ++6：ELSE规则i_priority-- 7：END同样，本地汇负责整个楼层的节能，处理单个楼层上的多个集群有八个生活区（一楼：购物中心和接待处）（一楼：商店，诊所和健身房）（二楼：办公室-1，2和会议室）。如表4所述，在三层建筑物中部署了多个传感器节点。每层共部署54个传感器节点，监测每个生活区域的大气信息（湿度、温度、光线和电压）该通信网络架构允许传感器节点将数据发送到其各自簇的簇头，簇头然后将数据发送到网关节点，网关节点进而将数据发送到sink。对于所提出的模型，我们考虑了云母2传感器，因为它们具有更好的效率。传感器节点（云母2）的电池功率模型在等式（1）中定义（一）. 传感器节点由2节AA电池供电，1.5我们已经考虑了传感器节点的电源在电压方面的现实模型，通过考虑2.7 V而不是3 V。（1）给出了传感器节点具有的用于执行不同任务的以焦耳（J）能量为单位的总功率量。功耗：CPU电流：活动电流：工作电流：工作时间：×电压范围云母2型的电流消耗模型取自数据表[30]。云母2的时间和电流值在表3中给出。通过使用表3中提到的数据表，我们计算了拟议框架的结果。通过使用等式（1）如上所述，计算用于发送和接收1比特信息的以下功率值。功率TX=（8 + 20）×10-3 A ×2.7 V ×416 ×10-6/8位= 406mJ/位功率RX =（8 + 15）× 10-3 A × 2.7 V × 416 × 10-6/8位= 2。34mJ/位在考虑传感器节点到簇头和簇头到网关节点的通信距离的基础上，对传感器节点的功耗模型进行修正，以适应通信距离的变化。Farhan Sabir Ujager，A.Mahmood，M.Usman等人埃及信息学杂志23（2022）137144×表3Mica.2电流消耗模型[30]。模式电流模式电流CPU无线电活性8.0 mARX7.0 mA空闲3.2 mA发射（-20dBm）3.7马ADC噪声1.0 MA发射（-19dBm）5.2马减少掉电103lATx（-15 dBm）5.4马省电110lATx（-dBm）6.5马待机216lATx（-dBm）7.1马扩展待机223lATx（dBm）8.5马内部振荡器0.93 mATx（+dBm）11.6毫安个led2.2 mATx（+dBm）13.8毫安传感器板0.7 MaTx（+dBm）17.4毫安EEPROMTx（+10 dBm）21.5毫安读6.2 mA通信范围（868/916 MHz）150米读取时间写565l s18.4毫安通信范围（315/433 MHz）300米写入时间12.9毫秒表4传感器节点按簇分布。规则挖掘不能在实值上执行，因此数据集被预处理，离散化通过分箱方法应用。实际值被离散化到四个bin中，分别为Very_- Low、Low、Medium和High值。模拟参数总结见表5。实际功率TX=（CPUActivePower ×数据）+（PTX × Datasent ×距离2）ð2Þ5. 结果本节的目的是分析所提出的HECF的模拟结果，并与现有的标准节能RR调度缓冲区[32]和LEACH-C[33]进行比较。结果分析的目的是了解以下传感器网络的能量消耗重要参数● 失效传感器节点实际功率RX=（CPU有效功率×接收数据）103 mA通过使用等式 （2）和（3），传输功率（Actual_Power● 集群形成● 信息传输数量的影响TX）和传感器节点的接收功率（Actual_PowerRX）是● HECF调度对传感器网络寿命的影响● 不同Duty_Cycle计算。传感器节点与用于传输数据的其他传感器节点的距离被考虑在等式中。（2）并且类似地，也考虑要发送的数据量。在方程式中，（2）和（3），CPU转化为数据的有功功率是传感器节点的处理单元对于与数据相关的任何任务处于活动状态时传感器节点所消耗的功率，而不管数据的发送或接收、数据的存储器中的数据的读取或写入PTX是传输数据消息所需的传输功率而距离是任意两个传感器节点之间的数据路由目的的通信距离。对于我们的模拟，我们使用了固定长度的数据包，即。1 Mbits信息。距离值根据部署而变化，其（x，y）坐标有助于找到每个楼层的250 250网格区域中的通信距离在（+10 dBm）噪声水平下计算发射和接收功率为了评估HECF，我们使用了英特尔伯克利实验室[31]无线传感器网络的传感器节点数据。该数据集由230万个感知数据读数组成。该数据集由54个传感节点产生。在模拟实验装置中，在建筑物的每层上放置了54个传感节点感测数据具有时间戳拓扑信息以及湿度、温度、光和电压读数。每个新事务的读取持续时间为31 s，即：窗口大小（k）。建议的解决方案的DC是四个。所有的环境监测读数都是数字实格式。光感测数据读取被认为是HECF的同质数据作为关联传感器传感器感知窗口大小对传感器网络寿命的影响由于HECF被设计用于分层多跳传输，其中它考虑簇内关联节点的能量消耗;剩余能量平衡和生成的高级规则（使用Lift）用于能量分配平衡，因为在每一轮中，它动态地改善平衡，并且CH和多跳路由可以智能地计算。可以通过应用所提出的HECF方法（几何传输模式）从图7中观察到。HECF在传感器级别采用了数据相关挖掘方法，以减少整体连续性，表5模拟参数。模拟参数值模拟应用NS2和MATLAB v.7网络规模（传感器节点）54× 3（每层）= 162传感器节点类型Mica.2传感器节点的能量水平PowerTX = 4.06m J/bit PowerRX = 2.34mJ/bit每层建筑尺寸= 250 m × 250 m楼 层 数 = 3 窗 口 大 小（k）传感器节点21秒、31秒、41秒占空比（DC）2k s、3k s、4k s●S.No集群集群数量1购物广场242接收083店124诊所125健身房246会议厅127办公室-1248办公室-224Farhan Sabir Ujager，A.Mahmood，M.Usman等人埃及信息学杂志23（2022）137145图第七章分层网络生命周期与死节点数见图8。能耗与集群数量。这导致在传感器级的能量消耗更少，从而增加了整体网络寿命。类似地，HECF中的CH不向宿发送冗余数据（数据相关），从而节省了CH的能量，具有较少的消息传输，HECF中不同轮胎的传感器数据关联挖掘不仅有助于减少整体消息传输，而且还用于网络中传感器的调度（即睡眠和唤醒），从而进一步减少网络消息传输。 因此，对于相同数量的数据传输轮，HECF具有更多的活传感器节点，因此在两种方法中具有最长的网络寿命。图8示出了在数据提取和传输期间每个集群内的有效能量消耗。HECF考虑了每个聚类的高级关联规则。此外，对于所有三个楼层，以分层方式实现多跳路由，记住，使用、活动模式、数据值的范围示出了较少的能量消耗和较少的需要广播的消息数量。与其他两种方法相比，所有这些最终都有助于延长整个网络的生命周期。在图9中，观察到随着感测节点的数量增加，广播消息的数量减少。见图9。 多跳分层传输的消息广播数。相对稳定的趋势已经观察到的消息的数目和传感节点的数目增加建议HECF。稳定的趋势是HECF的行为预测，因为消息广播已经被DC控制。从线性趋势的变化是HECF调度的效果，其中不同数量的感测节点是活动的，因为消息广播的数量取决于活动的传感器。HECF通过调度和使较少数量的传感器节点活动来监测环境，从而节省传感器网络的能量。图 10，当在多层建筑物的传感器网络上执行调度时，提出的HECF的每个集群的能量消耗（以天为单位）。提出的解决方案大大降低了每个簇中的传感节点的能量需求，从而增加了每个簇的寿命。传感器占空比（DC_S）的选择直接影响集群的能耗图中的结果。11表示通过DC S值的增加，对于每个簇节省了更多的能量，但是DC S大小的增加将对所监测的感测值的准确性具有负面影响。在这项研究中，据观察，当DCS = 3，它产生更好的节能与可接受的水平的准确度的感测数据比别人。由于较大的占空比将具有更多的感测窗口，因此仅发送最频繁的值见图10。 每个群集的能耗（以天为单位）。Farhan Sabir Ujager，A.Mahmood，M.Usman等人埃及信息学杂志23（2022）137146见图11。每个集群的能耗（天）与不同DC S的影响。见图12。每个集群的能耗（天）与DC中不同窗口大小的影响。DC和其他感测值将被忽略，导致较少的消息传输。虽然较小的DC值更准确，因为在较少数量的感测窗口中，发送的频繁值将最有可能与其他感测值相同图12示出了窗口大小、感测时间的粒度级别对所提出的解决方案的影响。据观察，通过增加窗口大小，可以保存更多的能量的集群，因为更少的消息将被发送。然而，拥有更大的窗口大小将对传感数据的准确性。对于较大的感测窗口值，环境条件可能会有所不同。窗口大小应该具有适当的大小，具有准确性和较少的消息传输次数。发现在窗口大小= 31时，所提出的解决方案在窗口大小和精度之间找到最佳折衷。6. 结论在这篇文章中，提出了一个无线传感器网络的能量守恒（HECF）的框架。通过采用分层数据传输的概念，在每一级传感器上进行关联规则挖掘HECF大大降低了多层建筑传感器网络的能耗，从而延长了网络的生命周期。在HECF中，汇聚节点能够根据传感器节点之间的时间和空间关联性将传感器节点划分成簇。此外，它还为汇聚节点配备了用于上下文数据和规则存储的存储组件、用于随时间推移优化规则有效性的学习组件以及用于在满足标准时执行规则的触发组件。关联规则的生成采用Apriori算法，并结合Lift和网络参数等先进的规则验证方法，以保证规则的有效传输。仿真结果表明，与传统的LEACH-C和RR-Schedule-Buffer方法相比，此外，HECF在数据传输期间实现了20%的消息数量减少，这是传感器节能的显著改进。 然而，HECF需要进一步评估之间的权衡的能量守恒的WSN和传感器数据的准确在智能健康社区和智能城市等环境感知和复杂的环境中评估HECF将是有趣的另一个未来的发展方向是对智能建筑中的无线传感器网络的分层节能的上界和下界进行数学建模，这将进一步标准化所提出的框架。引用[1] El-Sayed WM，El-Bakry HM，El-Sayed SM.无线传感器网络中的综合数据简化模型应用计算信息2020. d