软件定义无线传感器网络中基于能量飙升的物联网路由算法

埃及信息学杂志23（2022）215全文ESRA：软件定义无线传感器网络中基于能量飙升的物联网路由算法N. Samarji，M.Salamah东地中海大学计算机工程系，99628，Famagusta，北塞浦路斯，土耳其，Mersin 10阿提奇莱因福奥文章历史记录：收到2021年2021年10月14日修订2021年12月1日接受2021年12月30日在线提供保留字：控制器放置问题能源效率遗传算法软件定义网络A B S T R A C T软件定义的无线传感器网络是一种新兴的网络架构，预计将在即将到来的物联网范式中发挥关键作用。由于能量是无线传感器网络中的稀缺资源，许多能量有效的路由算法被提出来提高网络的生存时间。然而，这些算法大多缺乏网络的稳定性和可靠性，在死节点的存在。本文介绍ESRA：基于能量飙升的软件定义无线传感器网络物联网应用路由算法，专门针对监测环境解决这一缺点。ESRA算法有效地选择网络簇头来解决控制器配置问题，以实现网络的可靠性和稳定性，提高网络的生命周期。在簇头之间的控制器的选择被制定为一个NP-难问题，考虑到簇头的剩余能量，他们的空间距离的汇，和他们的负载或密度。为了解决这个NP难问题，采用遗传算法来优化网络的生命周期，吞吐量，延迟和网络的可靠性存在不同的死亡节点的百分比。仿真结果表明，ESRA算法在网络寿命和吞吐量方面分别比其他三种算法提高了15%、20%和25%，在能耗方面分别比其他三种算法提高了10%、20%和25%，在时延方面分别比其他三种算法提高了10%、15%和20%。我们还将所提出的方案应用于从互联网拓扑动物园，这表明有前途的结果相比，其他现有的作品。©2022 The Bottoms.出版社：Elsevier B.V.代表计算机与信息学院开罗大学。 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http：//creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍软件定义网络（SDN）是一个新的研究热点，并已在不同的环境中实现，特别是在无线传感器网络（WSNs）。在无线传感器网络中，有前途的目标是获得能量效率和最大化网络寿命。因此，实现这一目标通常是通过集群网络，节省节点*通讯作者。电 子 邮 件 地 址 ： nivine.emu.edu.tr （ N.Samarji ） ， muhammed.salamah@emu.edu.tr（M. Salamah）。开罗大学计算机和信息系负责同行审查。节点之间的传输距离。然而，与分簇相关的一个重要挑战是簇头（CH）选择技术，它直接影响网络性能。 众所周知，CH比簇成员消耗更多的能量，经过一段时间后，CH的能量变得耗尽。这将导致网络连接断开。因此，CH应该定期改变并有效地选择以平衡整体网络能量[1]。当能量消耗在传感器节点之间平衡时，网络稳定性以及网络寿命将最大化[2，3]。SDN的基本结构在于分离从数据平面到控制平面。控制平面由一个或多个称为控制器的智能设备[4，5]组成，控制器处理网络的决策策略和转发规则。另一方面，数据平面由转发设备组成，诸如路由器和交换机，其根据由数据平面分配的转发策略来转发分组。控制器。https://doi.org/10.1016/j.eij.2021.12.0041110-8665/©2022 THE COURORS. Elsevier B.V.代表开罗大学计算机和信息学院出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/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.comN. Samarji和M. Salamah埃及信息学杂志23（2022）215216尽管SDN由于分离控制和数据平面而为网络管理提供了灵活性，但这些平面之间的任何断开都将对QoS和网络性能产生致命影响[6]。因此，为了防止单点故障，基于多SDN路由器的网络成为一种有前途的解决方案[6，7]。在网络中实现多SDN控制器已经显示出整体网络性能的显著改善[8，9]。出于这个原因，许多研究人员主要集中在使用基于多控制器的网络。然而，在使用多控制器时直接影响网络性能的一个挑战性问题是网络中SDN控制器的数量和位置，这被称为控制器放置问题（CPP）[10，11]。因此，在基于SDN的无线传感器网络中，CH应该仔细选择，因为所需的SDN控制器通常放置在CH处。因此，在错误选择的CH定位控制器的情况下，CPP可能无法因此，网络性能可能会经历明显的降级。除了簇头选择挑战之外，在存在死节点的情况下实现当不存在过载或不堪重负的控制器时，维持网络稳态。节点的密度，或者换句话说，它的负载，会导致它的能量快速耗尽结果，网络经历早期死节点发生。因此，由于其连通性的断开，网络稳态不能实现当控制器过载时，其响应时间超过一定的阈值，导致网络延迟增加。此外，当控制器的负载达到其上界时，会发生更多的分组丢失。因此，在存在过载的控制器的情况下，需要有效的迁移策略来平衡控制器之间的负载。但是，这种迁移不应该导致接收控制器过度工作.此外，在存在失效控制器的情况下不能获得网络稳态，因为代表控制器获得网络策略、流表和网络拓扑。出于前面提到的这些挑战，我们提出了ESRA算法，利用SDN的概念在无线传感器网络。在我们提出的方法中，每个SDN控制器应用能量飙升路由算法，采用信天翁鸟，以有效地选择CH在其域。信天翁的飞行技术允许信天翁使用挡风玻璃以最小的努力和很少的翅膀拍打进行长距离飞行[12]。首先，根控制器执行k路空间聚类算法，将网络划分为不相交的聚类。不相交簇在保持网络可靠性方面起着重要作用，特别是在存在死节点和死链路的情况下。在存在死节点或链路的情况下，仍然可以经由不相交的集群的替代路径来执行分组传输。然后通过应用遗传算法（GA）将网络CH包括在SDN控制器选择中。在找到SDN控制器的最优位置后，每个控制器通过考虑节点的位置来在CH之间分配节点。每个控制器通过分配其不堪重负的CH的负载来辅助其域的负载平衡。存在下在死CH中，控制器运行GA以选择新CH。 根控制器通过执行网络稳定性算法（NSA）来维持网络稳态，从而确保控制器的功能。在所提出的ESRA算法中，只有当节点的能量低于阈值时，节点才被认为是死亡的。但是，如果它的响应时间超过特定阈值，则会被视为过载或不堪重负。到目前为止，在文献中，还没有工作，解决CPP在WSNs考虑两个重要因素。第一个是存在死节点，第二个是采用信天翁飞行技术的CH选择。论文贡献可列出如下：a) CPP通过应用GA来解决，其中适应度函数优化了各种网络性能指标，例如网络延迟、吞吐量、可靠性和存在不同百分比的死节点时的节能b) 提出了一种新的聚类算法，利用信天翁自然飞翔的技巧，有效地找到网络的CH这种分簇算法被证明是一种能量有效的网络生命周期得到增强。c) SDN的概念用于WSN中，其中SDN控制器负责对网络进行聚类，通过应用NSA算法在存在不同百分比的死节点的情况下维持网络稳态。d) 通过对ESRA算法的网络性能评估，与其他算法进行了比较，表明了ESRA算法的优越性。此外，通过在实际数据集拓扑上的应用，分析了ESRA算法的有效性。我们对ESRA算法进行了仿真，分析了在不同的死节点比例下，网络生存时间、吞吐量、网络延迟和总能耗等重要的网络性能指标。为了比较的目的，我们选择了最近在文献中发现的现有能量感知算法，例如用于无线传感器网络的节能容错聚类算法（EEFCA）[13]，用于农业精确无线传感器网络的网关聚类节能质心（GCEEC）[14]，以及基于黄鞍山羊鱼算法的无线传感器网络节能聚类路由协议（YSGA）[15]。仿真结果表明，所提出的ESRA算法表现出显着的网络性能的改善以上选择的国家的最先进的算法。论文的其余部分组织如下：第二节介绍了相关的文献工作。第三节说明动机。第四节介绍系统概况。第五节涉及业绩评价问题。最后，第六节结束了工作。2. 相关工作传统的网络管理是一项复杂的任务，因此，在网络中实施SDN通过灵活地管理网络和应对当前网络需求来解决传统网络限制然而，CPP是一个具有挑战性的问题，出现在网络中的多个控制器的存在Heller等人。[6]是第一个提出考虑网络延迟的控制器布局问题的人。他们证明，只有一个控制器可以满足网络要求;但是，故障恢复能力没有考虑在内。通过采用Heller等人的工作。[6]，许多作者都专注于提高网络性能。在增强网络能量的背景下，Hu等人[16]通过专注于增强基于SDN的网络能量来解决CPP[17]中的作者专注于通过减少生成的数据包数量来保持SDWSN中的能效，其中有两个主要概念：在每个传感器节点处实现内容感知，以决定是否将数据发送到控制器;以及自适应数据广播，其用控制平面中的分组传输代替来自数据平面的分组传输。虽然所提出的算法提高了网络寿命，但在控制平面而不是数据平面中传输数据的想法与SDN的基本概念相此外，在所提出的工作中，每个传感器节点发送一个hello消息的频率高于数据包传输频率，让控制器知道，如果节点仍然活着N. Samarji和M. Salamah埃及信息学杂志23（2022）215217或不.因此，在存在不堪重负的节点的情况下，该方法不能很好地工作，因为控制器将假设节点死亡。这种错误的假设降低了网络吞吐量和QoS。Killi和Rao[18]通过保持网络可靠性和控制器之间的负载平衡来解决CPP。对于大规模的网络，采用启发式算法（即模拟退火）。他们提出的方案假设，如果节点的响应时间超过给定的阈值，则节点死亡，但情况并非总是如此。响应时间超过阈值的节点可能是过载而不是死亡.Samarji和Salamah[19]针对无线软件定义网络（FTMBS）中的控制器放置问题提出了一种基于容错元分析的方案，以优化解决CPP时的网络故障弹性。在他们提出的方案中，CH被选择为在每一轮中具有最高能量，而不考虑节点相对于Qureshi等人[14]提出了一种名为网关聚类节能质心（GCEEC）的负载管理方案，以解决传感器节点将其传输数据中继到靠近基站的节点所引起的负载负担问题。在他们的方案中，CH节点是从平均位置选择的，和网关节点发送的过载CH的负载到基站。实验结果表明，与其他方案相比，所提出的GCEEC方案是一种能量有效的算法。Luo等人[16]通过最大化网络节能来解决CPP。他们将问题建模为二进制搜索问题（BIP），这对于小规模网络很好，而对于大规模网络则使用GA。在他们的方案中，他们假设每个活动链路消耗相同的能量;因此，他们的目标是拥有最少数量的活动链路。然而，缺点在于他们的假设，因为节点在链路上发送不同的数据。因此，除非相同数量的节点使用具有相同传输流的每个链路，否则这个错误的Cui等人[20]提出了一种解决CPP的负载平衡方案。在他们的方案中，他们假设如果控制器的响应时间超过某个阈值，则控制器是死的。因此，新的控制器将从CH中选择，而不是死的。然而，控制器可能已经过载，如果是这样，则应应用负载迁移策略以在控制器之间重新分配负载。因此，只要剩余能量低于某个阈值，控制器失效的条件就成立。已经引入了不同的基于元分析的聚类技术[21]来最小化网络能耗并 提 高 网 络 寿 命 。 例 如 ， Yellow Saddle Goatfish Algorithm（YSGA）[15]是一种基于元分析的算法，它最佳地选择CH，通过考虑不固定数量的集群来加强网络寿命，并将节点聚类到最近的CH。然而，如果传感器节点与其CH之间的距离大于Sink与节点之间的距离，则传感器节点不成簇。在这种情况下，节点将其数据直接发送到sink。这一方面与集群的概念相矛盾，另一方面，如果节点和宿之间存在故障路径或链路，则Nitesh等人[13]提出了一种基于容错和能量利用的大规模网络方案 。 提 出 了 一 种 能 量 有 效 的 无 线 传 感 器 网 络 容 错 分 簇 算 法（EEFCA），该算法综合考虑了节点距离基站的位置、剩余能量以及簇内传感器节点的在他们的方案中，每个传感器节点计算成本加入中继节点接近基站时，其相关的CH是死的。因此，它将负载传输到中继节点，中继节点将负载发送到基站。在他们提出的方案中，CH的选择取决于传感器节点此外，他们提出的方案需要中继节点进行各种计算来选择最佳CH进行通信，这导致更多的能量消耗。在我们提出的方案中，每个节点的密度或负载被考虑在内，其中根控制器执行NSA算法，以确保网络的稳态是在死节点的百分比的存在下实现。在我们提出的NSA中，只有当添加到当前负载的负载迁移完成时，的接收控制器3. 动机信天翁是动物世界中最聪明的生物之一，它利用挡风玻璃来避免在拍打翅膀时耗尽能量，因此能够进行长距离旅行[22]。信天翁鸟启发了马斯理工学院的研究人员，通过采用信天翁动态翱翔飞行技术，开发出一种新的风力和能量收集模型该模型侧重于设计基于能效的风力推进无人机和滑翔机，以在各种风力条件下长时间、长距离地监测偏远地区[12]。然而，麻省理工学院的研究人员发现，这些鸟倾向于以平均60度的角度转弯，比大多数科学家假设的180度半圆低得多。动态飙升飞行技术允许信天翁鸟在一天内旅行很远的距离，很少拍打翅膀，节省了大量的精力和精力[12]。在[22]中，作者指出信天翁鸟，当向北飞行时，以大约60°的逆时针方向飞行，当向南飞行时，改变为顺时针方向飞行。从这个角度来看，我们已经采用了这种飞行方案来选择CH，该方案基于在同一能级集合中具有高能级的节点和具有低能级的节点之间以60°的偏移角飞行我们声称，采用这种动态飙升技术，确保了平衡的网络能量水平，揭示了网络的生命周期增强。虽然作者[19]，[33]，[23]使用了k路空间聚类方法;但是，选择簇头是基于随机选择高节点在我们的方案中，簇头的选择是基于节点4. 系统概述4.1.系统描述在这项研究中，系统模型被认为是一个多域的无线传感器网络。网络模型可以被看作是一个无向图G（S，E），具有S个传感器节点和E条链路。图1所示的网络模型包括实现三个控制器，i，i =root，1，2;一个被放置在被称为root的sink处，并且两个控制器被有效地放置在特定的簇头处，所述簇头是从通过应用GA在网络中找到的满足网络约束的簇头中选择的。每个SDN控制器管理和控制其域，并与其他控制器共享网络状态。在失效控制器存在的情况下，根控制器通过应用GA最优地选择新的控制器每个控制器通过在高能量水平节点之间应用飙升方案来选择其相关联的根控制器不断检查整个网络如果根控制器检测到任何过载的控制器，它将执行NSA算法。N. Samarji和M. Salamah埃及信息学杂志23（2022）215218●●●●●Fig. 1. 拟议的网络架构考虑了以下假设根控制器在信宿处实现，其中基站被假定为无故障的，知道网络拓扑。传感器节点是随机分布的。转发表由控制器更新;由替代路径组成，以避免在故障情况下网络中断带外托管的传感器OpenFlow通道所有传感器节点最初具有相等的能量水平。高能级集（HES）被假定为在逆时针方向上，并且低能级集（LES）被假定为在顺时针方向上。一旦根控制器找到控制器的位置，它就使用k均值方法[24]在4.3. ESRA算法根控制器应用k路空间聚类技术[25]，该技术考虑节点ESRA算法采用信天翁的自然飞行技巧，即依靠挡风玻璃飞行很长的距离，翅膀很少翻转，从而避免了其能量的过早耗尽研究人员宣称，这种鸟的平均旋转角度为60度，这与一些科学家假设的旋转半圆的说法相矛盾[12]。因此，我们遵循了研究人员该方案通过避免簇头死亡或过载来解决CPP问题，从而保证了网络的弹性。它还通过对从GA获得的解决方案应用非支配排序遗传算法（NSGA-II）[26]来图2显示了ESRA算法的流程图以下步骤描述ESRA算法。步骤1：根据节点的能量水平对节点进行排序。具有高于阈值（表示为Ermin）的能量水平的节点被添加到称为高集合的集合，并由setH{}表示第二步：在找到setH{}之后，节点再次被放置到两个集合中：由具有高于Ermin且小于初始能量水平的一半的能量水平的节点组成的LES，以及由具有大于初始能量水平的一半的能量水平的节点组成的HES。步骤3：通过在两个集合中的每个节点上循环以找到由（X图像，Y图像）表示的对应图像节点来计算由（Xmean，Ymean）表示的两个集合HES和LES的平均值，这通过对于HES逆时针移位60度并且对于LES顺时针移位60度来实现等式（1）、（2）、（3）和（4）分别示出了HES和LES的移位[27]步骤4：在找到两个集合的平均值后，计算每个图像节点与平均节点之间的距离值，选择最小的一个。然后，距离图像节点最近的节点成为簇头。步骤5：如果簇头节点属于HES集合，则算法将再次从LES开始进行下一簇头选择，反之亦然。步骤6：应用网络稳定性算法（NSA）。通过在不同能量级别的节点4.2. 问题描述在基于多SDN控制器的WSNs中，CPP是关键的XHimage = cos（60）*（X-XH平均值）-sin（60）*（Y-YHmean）+XH平均值ð1Þ要解决的问题是实现所需的网络性能。在无线传感器网络中，传感器配备了有限的电池，不能充电。因此，无论何时，节点的状态都是死的，它经历快速的能量消耗，其低于阈值。这种早期死亡节点的出现降低了整体网络性能。因此，节省网络能量是要实现的关键网络性能因素之一。分簇算法可以达到这一目的，但能否有效地节省网络能量还有待商榷.大多数聚类算法只考虑节点的剩余能量，而节点的位置和状态也是需要考虑的关键因素。此外，网络能量直接受到网络状态的影响;即，当网络处于稳定状态时，控制器之间的负载是平衡的，因此没有延迟发生，并且网络以其最高性能运行。因此，我们在我们提出的算法，以最大限度地节省网络的能量，并实现网络的稳态存在的死节点的百分比。YHimage = sin（60）*（X-XHmean）+ cos（60）*（Y-YHmean）+YHmeanXLimage= cos（-60）*（X-XLmean）-sin（-60）*（Y-YLmean）+XLmeanYLimage =sin（-60）*（X-XLmean）+cos（-60）*（Y-YLmean）+YLmean4.4.提出的遗传算法遗传算法是一种启发式搜索和多目标优化方法，其灵感来自查尔斯·达尔文根据自然选择，选择最适合的个体进行繁殖，以产生下一代的后代通常，遗传算法包括两个主要的操作，交叉和变异，它可以产生接近最优的解决方案。由于找到控制器布置问题的最优解在计算上是NP困难的[6]，因此我们使用GA来给出近似最优解，以有效地解决CPP在我们的例子中，GA方法是●N. Samarji和M. Salamah埃及信息学杂志23（2022）215219⊂¼ni1/1j 1图二. ESRA流程图同时优化网络连通性、网络负载均衡、网络延迟和网络节能。算法停止条件是通过达到所需数量的种群或种群的最佳适应度水平来实现的。GA的图示如表1所示。每个控制器i与若干簇头ni相关联，其中ni是网络中N个CH的子集。染色体由许多基因组成，每个基因代表一个簇头。群体是K染色体的集合.对于K中的每个染色体，选择k个随机簇头，其中kni，并且基于以下四个目标计算适应度函数：⬛ 优化网络连接：流消息的数量从控制器i的簇头之一到达控制器i的流消息的数量由fji表示。要提到的一个重要注意事项是，即使存在故障路径或节点，⬛ 优化网络负载平衡：平衡控制器之间的负载可以避免出现过多的控制器，因为控制器的响应时间会增加，从而对网络延迟产生负面影响。当使用带内方案时，如在我们的情况下，平衡控制器之间的负载是要实现的一个重要目标，以避免不必要的延迟。控制器i的负载，用负载i表示，是所有成功流消息的总和由控制器的相关联的簇头jeNi发出（即：以及相邻控制器B的相邻簇头j因此，如果发出流的节点j是无故障的，则消息被无故障地接收，由ftj表示，如等式（1）所示。(6)，并且存在簇头j和控制器i之间的路径，由pji表示，如等式（1）所示。(7).因此，控制器i的负载可以如等式1所示。（八）、p1/4。1000ja path exists j;and a controller ; i存在一条路径j;和一个控制器;i消息的传输经由到JI1的备选路径来完成到达目的地。为此，我们考虑使用否则k路谱聚类将网络划分为不同的部分，英尺¼。如果簇头j有故障，则为-1\f25j-1联合集群。 当量（5）表示j 1之间的最大平均流随机选择的k个控制器的所有K个染色体其中，nk是与ni相关联的簇头的数量否则nb相关控制器Loadi¼Xfji×ftj×pjiXfj0i×ftj0×pj0i8KnFj 1j0¼1f1maxXXiji5K等式（9）示出了随机选择的k个控制器的所有K个染色体中的最小负载N. Samarji和M. Salamah埃及信息学杂志23（2022）215220K8EωL<$LωdωE;d≤d0KJð-1/1jl/100000表1建议的GA伪代码。输入：参数popsize，交叉概率pc，变异概率pm，最大迭代iter_max，k是控制器的数量输出：控制器1：初始化popsize个体;2.检查每个人的可行性;3：WHILE number of generations = iter_max do4：For i = 1 to popsize do5：F（i）← u6：从簇头中选择k个控制器，S={1，. . ，i}是簇头id的集合7：对于j = 1到k，8：应用k均值方法将每个簇头分配给控制器10：计算公式16中给出的每个染色体的适应度值F 11：基于评估值对群体进行排序;12：执行锦标赛选择过程;13：应用部分匹配的交叉算子14：应用变异算子16：更新下一代人口; 17：结束第18章：一夜情19：返回Sf2½minXLoadi92ETj¼4ð11Þ1/1● 最小化网络延迟：网络延迟，表示为：E<$ωL<$L ωdjωEamp;d>d0DTotal是每个染色体中控制器的传输延迟、传播延迟和排队延迟之和。传输延迟是将所有数据包的位推入链路所需的时间在我们的例子中，我们忽略了传输延迟，ERjEωL12Ej消费= ETj+ ER j13因此，节点j的当前能量由等式给出（十四）、与其他延迟相比是非常小的的传播延迟是数据包到达目的地所需的时间，Ej= Eini jEjconsumption14排队延迟表示分组在控制器中的等待时间控制器的缓冲器，其中每个控制器的缓冲器被建模为M/M/1排队系统[28 ]。服务速率表示为l，kfji是从簇头j到控制器的请求的到达速率等式（15）示出了通过避免考虑系统中的死簇头而在随机选择的k个控制器的所有K个染色体中的最大网络寿命。I. 簇头j与控制器i之间的距离为f4¼maxXXniXE× p×ftð15Þ用dji表示，光速用c表示。因此，目标是最小化最坏情况下的最大延迟，K1/1j1ljijl¼1由等式（10），其必须被限制到由T阈值表示的给定阈值，以避免不必要的延迟。权重值如下：x1 = 25/48，x2 = 13/48，x3 = 7/48，应用标量化方法后x4 = 3/48[29]. 由F表示的GA目标函数由等式给出。（十六）：f3 = D总 =最大PkPnidjiP·F记1l¼1l-klS.T. D总计<=T阈值<$10mm⬛ 最大化网络寿命：网络寿命表示在模拟结束时存在的存活节点的总数。属于控制器i的节点j在由Ej表示的当前能量下降到由E阈值表示的能量阈值以下时死亡。传感器电流能量Ej是初始能量（由E（ini）j表示）与总消耗能量（由Ej consumption表示）之间的差。等式（11）、（12）和（13）提供了用于发送L比特、接收L比特的能量消耗和总能量消耗的计算细节。节点j在距离dj处传输L比特所需的能量由ET j表示，并由等式（1）给出。(11)其中，Efs是节点收发电路接收或发送1比特数据的能耗，Efs和Eamp分别是在自由信道和多径衰落信道中进行功率放大所需的功耗系数，d0表示用于决定使用哪种无线电模型的距离阈值。节点j接收L个比特所需的能量由ER j表示，并由等式2给出。(12).总节点的能量消耗是发送能量和接收能量的总和，如等式（1）所示。（十三）、F¼maxx1f1x2f2x3f3x4f4x165. 网络稳定性算法网络稳定性算法通过在任何失效或不堪重负的控制器的负载迁移之后避免过载节点来确保平滑的网络功能性网络稳定性算法如表2所示。通过以下三个步骤来描述NSA算法，以确保负载迁移后网络的步骤1：根控制器检查响应时间（由控制器i的Ti_response表示）是否高于阈值2 ms[19]，然后根控制器执行NSA算法。在所提出的方案中，我们考虑了系统中存在的死节点的百分比。因此，如果控制器不是死的并且其响应时间高于给定阈值，则控制器过载。这个条件该算法以控制器步骤2：如果控制器是活动的并且其平均响应时间高于给定阈值，则将其添加到H_C集合，否则将其添加到L_C集合。KÞKFSN. Samarji和M. Salamah埃及信息学杂志23（2022）215221FGF×f表2国安局算法初始化控制器集合H_C = {} L_C = {}，A={Ti_response of all controllers}设j为控制器的序列号，i为控制器的数量1. 对于j = 1到i，2. 从A，s中选择Tj_response。 t. defj = false3. 如果T_j_response> 2ms，则4. 把j加到H_C5. 其他6. 把j加到L_C7. end if8. 如果defj== True，则继续209. end if10. while（H_C\ L_C is NotEmpty）do表3模拟参数。参数值场地面积200×200m2传感器节点500部分交叉概率，pc 0.8突变概率，pm 0.2人口规模，popsize 50停止迭代，S迭代5000剩余能量2焦耳Ermin0.05焦耳数据包到达速率200包/秒-3000包/秒不良率[0，1，5，10，20，50]%EDA 5 nJ/位11. CO =最大f2i2 H Cefs10 pJ/位/m212. CH_O = Max f2}s.t defn ==false且flag（n）==falsen2 CO//确保接收控制器不会被淹没13. CL =最小f2控制器CH O 2600}加到P27. 更新上样l28. 从Ld中29. 其他30. Flag（j）==True31. 继续2332. end if33. 端35. end while36. 返回P步骤3：如果控制器（S）是死的，根控制器之间的活的和未过载的控制器分配负载的死的只有当接收控制器的总负载不超过负载阈值时，才进行负载的分配6. 绩效评价使用MATLAB 2019b进行仿真，以评估所提出的ESRA算法的性能。在模拟过程中考虑了不同百分比的死节点模拟参数如表3所示。我们考虑了300 s的模拟时间，对每一个死节点运行我们的方案50次，并取平均值以达到95%的置信区间。三个SDN控制器用于在200米200米的现场区域内随机部署500我们认为，数据包到达速率从200包/秒开始，每10秒增加100包，达到3000包/秒。考虑了以下性能指标：网络生命周期、吞吐量、能耗和网络延迟。与文献中发现的以下三种能量感知算法进行了比较第一种是EEFCA协议[13]，它是一种分布式的基于簇的算法，目的是在CH故障的情况下提供容错，其代价函数基于节点每个传感器节点进行成本函数计算，以选择它的簇头中继节点具有最高的成本值。第二种算法GCEECemp0.0013 pJ/bit/m4[14]是一种基于能量的路由协议，其中考虑了CH选举的质心位置，并从CH中选择网关节点，以释放压倒性CH的负载，然后将数据转发到基站。CH计算每个簇中与相邻CH相邻的网关节点的平均簇具有最高权重的一个被选择作为相应集群的网关节点。第三种算法是YSGA[15]，这是一种基于元分析的算法，旨在通过减少网络能耗来提高网络寿命。对以下指标进行了性能分析：6.1. 最差情况延迟我们记录了ESRA算法下的最差情况延迟，其中包含各种死节点 图 3给出了上述四种方案的延迟结果。可以看出，ESRA算法分别比YSGA、GCEEC和EEFCA算法好10%、15%和20%在EEFCA和GCEEC算法中，计算分别由传感器节点和簇头完成，这给网络增加了更多的延迟。在YSGA算法中，CHs是不固定的。相反，CH的数量是动态变化的，以建立最佳的网络配置，在每一轮。一旦最佳的簇头被选中，每个传感器节点被incorpo-额定到最近的簇头。然而，如果从传感器节点到BS的距离短于从BS到BS的距离，CH，则传感器节点不分簇，因此信息该节点的数据被直接发送到基站。总的来说，这增加了更多的延迟，特别是在存在多个故障节点的情况下。然而，在我们提出的算法中，每个控制器运行GA选择一个CH，而不是死的一个，每个节点被聚类。这确保了在存在死节点的情况下通过替代路径的分组传输，从而确保了总体延迟图三. 延迟分析N. Samarji和M. Salamah埃及信息学杂志23（2022）215222下降，如图3所示。另一件事是负载在我们提出的算法中得到了很好的分配，其中系统确保了网络在存在不堪重负的节点的情况下的稳定状态，这对整体网络延迟产生了积极的影响。在YSGA、EEFCA和GCEEC算法中缺少负载平衡，这增加了网络延迟。6.2. 网络寿命网络生命周期是衡量网络性能的重要指标，特别是对无线传感器网络而言。在不同的死节点比例下，仿真结束时的活节点比例反映了网络的生命周期。平衡系统中传感器节点之间的能量消耗，确保了网络功能的扩展。因此，系统中存在更多的活动节点。图4显示了所提出的ESRA算法相对于YSGA、GCEEC和EEFCA算法的存活节点百分比。在EEFCA和GCEEC算法中，由于代表传感器节点进行的过多计算导致过早出现死节点，因此能量耗尽发生得更快。在YSGA中，簇的数量是动态的，这导致比具有固定数量的簇头更少的能量消耗。与此相反，该算法在选择簇头时考虑了节点的剩余能量，而不考虑节点到sink的位置和节点的负载。因此，在存在对于过载的节点，最好考虑节点的负载和位置以及簇头选择算法中的剩余能量。这解释了为什么YSGA算法失败以在存在死节点的情况下实现网络稳态。ESRA算法综合考虑了节点的剩余能量、到汇聚节点的距离以及CH节点的负载，均衡了网络的能量消耗，提高了网络的生存时间。因此，ESRA算法分别比YSGA、GCEEC和EEFCA算法的性能高15%、20%和25%，如图所示。 四、6.3. 成功接收的数据包另一个关键的网络性能指标是网络吞吐量，称为成功接收数据包的百分比。图5示出了在各种死节点百分比下成功接收的分组的百分比。系统中死节点的百分比增加，对成功接收数据包的百分比有相反的影响。由于在所提出的ESRA算法中考虑了每个CH的负载，平衡良好，存在更多的活动节点。此外，在存在死节点的情况下，见图4。网络寿命分析图五.成功接收数据包的百分比分析对整个网络吞吐量产生了积极影响。这就解释了为什么ESRA算法优于YSGA，GCEEC和EEFCA算法。在YSGA、GCEEC和EEFCA算法中，没有考虑死节点的荷载分布。因此，接收到的数据包的百分比随着死亡节点的百分比的增加而快速下降。因此，ESRA算法的性能分别比YSGA、GCEEC和EEFCA算法高15%、20%和25%。6.4. 能耗能量是无线传感器网络中的一个关键因素，传感器的能量是有限的，其中数据包的传输消耗了传感器的大部分能量。基于簇的网络被证明可以节省网络的总能量，然而，有效地选择簇头直接影响网络ESRA算法是一种基于聚类的算法，其中网络被聚类为若干不相交的聚类。在YSGA中，簇的数量不是固定的，并且CH是基于节点然而，没有考虑节点的密度，因此，当负载增加和死节点的百分比增加时，在ESRA算法中，簇头的选择采用了ESRA流程图中描述的飞升技术，平衡了节点间的能量消耗。图6示出了当存在不同百分比的死节点时，ESRA算法相对于YSGA、GCEEC和EEFCA算法的 能 量 消 耗 。见图6。总能耗分析N. Samarji和M. Salamah埃及信息学杂志23（2022）215223表4延迟和执行时间比较。N_CO拓扑延迟（ms）执行时间Esra参考文献[30个]参考文献[18个国家]Esra参考文献[30个]参考文献[18个国家]3珍妮特1214–1111–GEANT15.8–16.810–104珍妮特1014.11212–GEANT14–16.513–135珍妮特10.215–2221–GEANT14.3–16.619–186珍妮特11173534–GEANT14.4–1734–337珍妮特1318–4645–GEANT14.5–17.545–438珍妮特13.818.55755–GEANT14.7–1856–549珍妮特1419–6663–GEANT15.1–18.567–64注意，当死节点的百分比增加时，存在更多的死节点，并且因此，总网络能耗降低。另一方面，由于GCEEC和EEFCA算法中传感器节点的计算 量过 大 ， 网络 能 耗高 于ESRA 算 法。 结 果 表明 ， ESRA 算 法比YSGA，GCEECA和EEFCA算法分别提高了10%，20%和25%。仿真结果表明，ESRA算法在能量效率方面表现出优越性6.5. ESRA算法在实际网络拓扑我们已经在真实数据集上应用了我们提出的ESRA算法[31]。我们运行我们的计划，以选择最佳数量的控制器从一个控制器到七个控制 器 的 JANET 网 络 和 GEANT 网 络 。 首 先 ， 我 们 解 释 一 些 图metrics[23]。例如，在未加权图中，两个连接节点之间的距离表示最短路径中计数的边的数量。然后将网络的直径定义为最大距离，即，任何两个相连节点的最短路径中的最大边然后，我们将网络的延迟约束指定为直径的一半[18]。对于Janet和GEANT，我们分别将延迟约束指定为14 ms和10 ms表4示出了当使用各种控制器（记为N_CO）时的延迟很明显，所提出的ESRA算法在延迟方面分别优于两种方案[30，18]值得一提的是，由于ESRA算法是基于簇的路由算法，因此总体延迟随着节点之间距离的减小而减小另一个事实是，ESRA算法通过在节点之间飙升来动态地选择簇头，防止快速能量耗尽，从而提高网络寿命。相反，ESRA算法的平均执行时间分别超过[30，18]的平均执行时间近5%和7%，如表4的最后一列所示。7. 结论在本文中，我们解决了多控制器的SDN为基础的无线传感器网络中的控制器放置问题，以优化网络节能和提高网络寿命。我们提出的ESRA算法采用信天翁鸟的飞行技术来选择CH，是节能的此外，一个有效的网络性能评估进行考虑的死节点的百分比是目前在网络中，通常存在于一个真正的无线传感器网络。ESRA算法实现了网络的稳定性并在存在死节点的情况下延长了网络寿命。该算法通过在高、低能量节点之间进行跳群来选择网络簇头，有效地平衡了网络能量消耗。簇头的选择是重要的，因为控制器是通过应用GA在这些簇头中选择的，该GA考虑节点的剩余能量、到sink的距离以及CH的负载。在YSGA[15]中，虽然簇