没有合适的资源?快使用搜索试试~ 我知道了~
埃及信息学杂志23(2022)315基于博弈论的认知无线电传感器网络Prativa Raia,MK Ghoseb,Hiren Kumar Deva Sarmac,印度锡金Chisopani锡金科学技术学院CSE系助理教授b印度北方邦马图拉GLA大学计算机工程应用系教授c印度锡金马尼帕尔大学锡金马尼帕尔理工学院信息技术系教授阿提奇莱因福奥文章历史记录:收到2021年2022年2月1日修订2022年2月11日接受2022年2月23日在线提供保留字:认知无线电无线传感器网络认知用户节点聚类A B S T R A C T认知无线电无线传感器网络(CRWSN)是一种很有前途的技术,用于开发带宽受限的应用。未来的物联网(IoT)应用可能会广泛使用CRWSN。CRWSN由认知无线电使能的传感器节点组成,这些节点通常是能量受限的。基于层次聚类的网络管理方法是一种适合于网络稳定性和可扩展性的网络管理方法。因此,节点分簇是CRWSN建立中的一个重要问题。这项工作的目的是开发一个合适的节点分簇算法CRWSN,其中节点预计是移动的。提出了一种适用于CRWSN的节点分簇协议。提出的分簇协议是基于进化博弈论(EGT)。初始集群是通过一个简单的分区方法形成的。最后,初始聚类被合并以形成最终聚类。在由资源丰富的汇聚节点形成簇之后,确定各个簇的簇头节点汇聚节点运行基于EGT的算法来识别最有能力的节点作为簇头。这种方法的优点簇以及因此簇头节点均匀地分布在地理区域中。将该协议与LEACH、RARE和频谱感知分簇算法进行了比较仿真结果表明,该分簇协议的性能优于所有类似的节点分簇协议。平均而言,所提出的协议优于基准proto-proximity的25%,高能量节点的数量被选为簇头,37%的簇头节点的均匀地理分布,23%的总能量消耗在模拟时间,27%的网络寿命。已概述了今后的工作范围©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CC BY许可证下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)。1. 介绍认知无线电网络开辟了机会主义使用可用频谱的可能性。在认知无线电无线传感器网络中,传感器节点是网络中不可缺少的组成部分*通讯作者。电子邮件地址:hirenkdsarma@gmail.com(H. Kumar Deva Sarma)。开罗大学计算机和信息系负责同行审查。to be cognitive认知radio无线电enabled启用.许可用户被称为主要用户(PU),而机会用户(即,这些用户被称为二级用户(SU)。在CRWSN设置中,传感器节点在低计算能力、低可用存储器容量、有限的可用通信带宽以及有限的机载电池功率方面是资源受限的。然而,CRWSN有望解决由于连接到互联网的手持和其他移动设备的广泛使用而导致的高速增长的无线网络流量以及频谱稀缺等问题[24]。即使是CRWSN也有能力满足严格的用户服务质量(QoS)要求,如果可用频谱得到最佳使用[25]。无线传感器网络现在与物联网(IoT)集成[26]。因此,优化了生产过程,提高了企业的操作效率https://doi.org/10.1016/j.eij.2022.02.0031110-8665/©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.comP. Rai,M.Ghose和H.Kumar Deva Sarma埃及信息学杂志23(2022)315316提供高质量的服务是可能的。各种类型的设备正在连接到互联网,并且估计在工业中使用的100亿个不同的设备现在连接到互联网。CRWSN将在未来的工业物联网(IIoT)中发挥至关重要的作用。此外,在无线传感器网络领域中,针对各种研究问题(如能源效率、负载平衡、拥塞控制等)的研究和开发仍在进行中,并且最近的文献是可用的[33,34]。路由是包括CRWSN在内的任何网络中的重要任务。这样的网络总是能量受限的,因此,分层路由或基于簇的路由被认为是能量高效的方法。集群形成CRWSN设置,考虑到地理上封闭的节点一起在一个集群内,再次是一个计算上具有挑战性的任务。当传感器节点是移动的,情况变得更加复杂。尽管如此,通信可以通过集群在分布式无线系统中有效地管理[27]。合理设计的成簇协议可以提高网络性能,保证网络稳定运行,并能处理网络扩展问题。考虑到这种网络中所涉及的动态特性,聚类对于CRWSN是非常重要的。节点移动性、PU的不可预测的到达、认知无线电环境中的信道的可用性(其是高度动态的)以及由于诸如电池电力的过早耗尽等各种原因而导致的传感器节点(其是SU)的不可用性,使CRWSN具有高动态性。为了在网络操作中充分利用集群的优势,集群协议必须考虑这些方面。因此,设计一个合适的节点分簇协议的CRWSN是一个问题,吸引了研究人员在最近一段时间。点的聚类在统计学和数据挖掘中是一个研究得很好的问题。让我们考虑一组n个模式X,其中X ={x1,x2,x3,xn};这里xi是一个向量,在给定的特征空间中的N维。聚类本质上意味着以属于一个组的模式比属于其他不同组的模式彼此更相似的相似性可以用距离来衡量。在传感器网络的上下文中,聚类还意味着将传感器节点分组为考虑关于适用的不同参数的相似性的聚类器。网络设置中的节点集群是必要的,因为它可以在路由和其他方面更好地管理网络认知无线电传感器网络有多种分簇方法例如,在[30]中采用了信道聚类的贝叶斯方法。该方法是基于无监督聚类方法,它优于K-means聚类算法。在[29]中,提出了一种用于认知无线电网络的频谱感知分簇协议,称为CogLEACH的LEACH(低能量自适应分簇层次结构)的增强版本。该协议的性能优于LEACH,但没有适当考虑与拓扑和信道质量相关的问题聚类对于解决能源消耗优化和可扩展性等问题至关重要博弈论是一种决策理论。它是由匈牙利出生的美国数学家约翰·冯·诺依曼在1944年开发的[32]。在目前的情况下,它已越来越多地用于网络研究。最近发表的几篇论文探讨了博弈论在认知无线电网络中的应用[3进化博弈论是对经典博弈论的改进,它可以处理人口随时间变化的系统的动态。传统的博弈论是静态的。这种对传统博弈论的数学扩展最近被探索用于解决不同工程系统中的问题。最近发表的几篇论文中,进化博弈论已经被应用于解决无线传感器网络中的一些问题[6,12,14]。提出了一种CRWSN节点分簇协议。在设计过程中,进化博弈理论已被应用。CRWSN的各种特性,如节点的移动性,动态可用的通信信道,节点的剩余能量水平,和节点的地理位置被认为是聚类算法的输入参数。1.1. 动机传感器网络是资源受限的。拓扑结构是高度动态的,当移动性被添加到传感器节点时,在节点中能量有限的情况下管理网络的问题变得更加复杂。因此,能量效率是这种网络的更长寿命的基本要求基于集群的网络管理减少了通信开销,因此更节能。此外,基于集群的网络分层管理使其更具可扩展性。在认知无线电网络设置中,PU到达使得网络不稳定,在这个意义上,SU被迫离开它们正在进行的传输。同样,节点的移动性创建了高度动态的拓扑。考虑到这些方面,为认知无线电无线传感器网络提供一个合适的基于簇的稳定的网络管理方法在这个方向上的第一个要求是开发一个节点集群方案,是频谱感知,节点移动性感知,也是能量感知。1.2. 本文的贡献如下:提出了一种CRWSN节点分簇算法。提出的分簇算法考虑了移动性、可用能量和信道可用性的概率在选择簇头节点时,提出了一种基于博弈论(进化)的CRWSN节点分簇协议所提出的协议涉及最小的消息交换(通信)。提出的节点分簇算法也可以选择地理上均匀分布的簇头节点。在资源受限的传感器节点中,最小计算的节点分簇算法是这项工作的主要贡献,而且,所提出的算法是能量有效的。在这项研究中还提供了所提出的节点聚类方法的理论分析。本文的其余部分组织如下。第二介绍了相关的工作以及这项工作的背景系统模型在第3节中突出显示。第4节中介绍了拟定方案,第5节中介绍了方案的理论分析与所提出的协议的性能评估相关的仿真结果在第6节中给出。本文件在第7节结束。2. 相关工作和背景在无线传感器网络中的节点分簇和基于簇的路由领域发表了几篇论文[19资源受限的无线传感器网络中的能量效率问题已经得到了广泛的研究.协议栈●●●●P. Rai,M.Ghose和H.Kumar Deva Sarma埃及信息学杂志23(2022)315317ðÞDX-ð Þ2ðÞ包括网络层已经开发[22,23]。此外,在[35]中提出了用于认知无线电自组织网络的节点分簇协议和介质访问控制协议。在这一节中,一些论文线的博弈论为基础的节点分簇的无线传感器网络,CRWSN的重点。文献[1]提出了一种基于博弈论的无线传感器网络分簇路由协议。能源效率是本文的主要进化博弈理论已被用于无线传感器网络中的节点在这项工作中,节点的移动性不被考虑,和认知无线电(CR)方面的范围之外。然而,所提出的协议的性能与LEACH[2]和LEACH-C[2]一致。提出的基于博弈论的协议表现出更好的性能。文献[3]提出了一种基于博弈论的无线传感器网络分布式分簇方法。本文提出了一种基于非合作博弈理论的网络传感器节点能耗控制算法研究表明,基于博弈论的协议比不基于博弈论的协议在能量消耗和网络寿命方面都要好这种方法不考虑节点的移动性以及传感器网络的CR方面。文献[4]提出了一种基于博弈论的无线传感器网络分簇算法。该方法基于LEACH[2]和CROSS[5],在簇头选择过程中考虑了博弈论方法所提出的工作实现了均匀分布的簇头和均匀的能量消耗在整个网络。然而,所提出的方法不考虑节点的移动性和网络的CR方面。文献[6]提出了一种基于进化博弈的无线多媒体传感器网络路由协议。在网络中形成簇后所提出的方法在能量效率、端到端延迟、分组投递率、网络生命周期和簇形成时间方面表现出改进的性能。在[7]中提出了适用于CRWSN的LEACH的频谱感知版本所提出的协议被命名为CogLE-ACH。在该算法中,将空闲信道数作为权重 , 计 算 每 个 传 感 器 节 点 成 为 簇 头 的 概 率 。 CogLEACH 优 于LEACH。然而,网络拓扑结构,节点的移动性和信道质量的问题没有适当考虑在设计中。在[8]中提出了一种用于CRWSN的频谱感知聚类方法在这项工作中,网络拓扑结构和频谱可用性联合表示通过一个无向二分图。频谱感知聚类是通过从二分图构造最大尺寸的二分图来形成的该协议没有考虑节点的剩余能量,计算量大节点移动性也没有考虑。在[9]中引入了一种聚类形成方法,考虑了适用于CRWSN的各种加权聚类度量,例如时空相关性、置信水平和剩余能量水平。在这项工作中所做的假设是非常坚定的,例如,任何两个节点之间的欧几里得距离是已知的,它不会改变。信道状态也未考虑。最近在[10] 中提出了用于CRWSN的网络稳定性感知聚类协议(NSAC)。该协议同时考虑了功率消耗和频谱动态。信道质量被认为是一个度量,而簇头节点的选择。最近在[11]中提出了适用于CRWSN的NSAC的修改版本。然而,这两个协议都没有考虑节点的移动性CRWSN。在[15]中,已经提出了异构认知无线电无线传感器网络的节点分簇方法该计划旨在节约能源。然而,在网络中不考虑节点移动性。因此,有一个研究空白,考虑在CRWSN中的节点聚类的问题,其中的解决方案处理节点的移动性,频谱可用性,和能量可用性同时。在这项工作中,所有这些上述三个维度被认为是集群正在形成在一个给定的CRWSN设置。在本节的下一部分中,简要介绍了进化博弈论(EGT)。EGT概念最早由John Maynard Smith和G. R.价格[12,13]。近年来,博弈论在计算机网络领域得到了广泛的应用。生物进化与有机体和突变过程已被纳入概念它不同于经典的博弈论。在EGT中,每个参与者都与其他参与者互动,他们从彼此的策略中学习和适应。在EGT中,玩家被称为一个由个体参与者组成的群体,预期收益被称为个体的适应度。因此,在EGT中,个体可以观察其他个体的活动并从这些观察中学习,随后调整其策略,以便整个群体达到平衡。EGT有助于理解群体中个体之间的相互作用动态[14]。此外,当整个种群使用相同的策略时,种群中可能有一小群入侵者使用不同的策略。然而,这些入侵者最终会在几代人中死去,因为他们从其他个体中学习并适应最佳策略。EGT涉及两个基本概念,即,进化稳定策略(ESS)和复制者动态。i) 进化稳定策略(ESS):一个策略S是ESS,如果存在一个(小)正数y,使得当任何其他策略T在任何水平xy侵入S时,采用S的有机体的适应度严格大于采用T的有机体的适应度。<对于所有的策略T SUS;xT1-xS>UT;xT1-xS 1其中x0;y,y是侵入界限,其是与策略T相关联的常数,并且xT1x S是从选择ESS的组和采用突变策略的组计算的。ii) 复制动态:它是用来分析整个人口的行为的决定种群行为的方程如下:XtdtXitUit-Ut2其中,Xit表示在时间t选择策略i的群体;Uit表示在时间t选择策略i的群体中的个体的收益,U t是在时间t群体中每个个体获得的平均收益[12]。它表明具有较好适应性的组将增长,而具有较低适应性的组将在规模上缓慢减小3. 系统模型在本节中,详细介绍了本工作中采用的整个系统模型。网络模型:传感器节点支持认知无线电。传感器节点随机分布在传感器区域内。认知无线电传感器节点具有资源受限的特点,节点移动速度较低(2-4 m/min)sink节点是P. Rai,M.Ghose和H.Kumar Deva Sarma埃及信息学杂志23(2022)315318我的天啊ampq8><。Σ在L比特的数据传输期间的SU是Mi¼T位于传感器区域之外接收节点是静态的。假设作为许可用户的PU在中毒到达过程之后到达认知无线电使能的传感器节点是机会用户,并且也被称为SU。SU将形成集群,并且最后,通信将通过SU之间的基于集群的分层方法进行,将宿视为目的地。 图 1显示了该网络模型。节点随机部署在不可访问的环境中。传感器场是无人值守的,也是敌对性质的。节点通过不受控制的方式部署,例如从直升机或飞机上部署。已经假设按照上述说明,节点的部署遵循毒物分布。因此,在区域s内存在m个节点的概率由以下表达式[28]给出。M下午茶-下午茶3m!信道模型:认为有N个信道可用,图二.不同实体在不同信道中的干扰。其中eRF是射频电路消耗的能量,能够被突击队随机接入每个N接收和发送信号,eamp和e0是放大器信道被许可给PU。所有的信道都可以建模为瑞利衰落信道。基于通信节点的接近度,SU之间可能存在干扰。术语SU节点和CR节点可互换使用。图2示出了CR节点(即,编号为1、2、3、4的节点)可能相互干扰。该图还示出了CR节点如何甚至可以干扰PU。假设干扰半径是通信半径的两倍。能量模型:在CRWSN中,CR节点除了数据发送和接收之外,还执行频谱感知和切换的额外任务因此,与传统的无线传感器网络相比,因此,在设计能源消耗模型时,必须考虑所有四个任务。假设Ess是在频谱感测期间消耗的能量,Esw为频谱切换期间消耗的能量的能量与所使用的路径损耗模型相关,d是发射机节点到接收机节点之间的距离,并且d0是用于区分路径损耗模型的距离阈值,其中d0¼eamp=e0[16]第10段。考虑到第i个SU接收L比特的数据,在接收模式期间消耗的能量为E;iLeRF×L5移动模型:这项工作背后的目标是实现稳定的集群。因此,簇头节点被期望是具有相对低的移动性的节点。为了表征瞬时节点移动性Mi,使用以下表达式[17,18]。th1X q22xt-xt-1þ ðyt-yt-1Þð6Þ如前所述[15]。e射频放大器eampd2×L;dd0表示,其中P表示参与者集合,S表示参与者将使用的策略集合,U表示使用特定策略时获得的效用或收益。<汇聚节点将每个簇内的传感器节点分为两类,即,第四阶段所述的合资格非政府组织和非政府组织值得一提的是,符合条件的UE_P_CH和不符合条件的UE_NE_P_CH节点集分别等同于阶段4中提到的符合条件的UE_CH_CH和不符合条件的NE_CH节点集;使用符号p代替CH的原因在于,在阶段5中,给出S¼fsCH;sNCHg9根据集群中节点i选择的策略,节点i的效用函数定义为:Ui¼Ri-Pi 10其中Ri表示获得的奖励,Pi表示在游戏期间选择的策略所施加的惩罚。奖励和惩罚是必不可少的,因为应该有一些激励执行簇头的角色和惩罚逃避成为一个簇头。簇头节点必须执行额外的任务,因此,与正常节点相比,能量消耗将更高,并且许多节点可以自私地采取行动以保存它们的能量。因此,我们认为节点2EP成为簇头获得的奖励是h,节点2NEP获得的奖励是X. 此外,激励或抑制的步骤(由d表示)假设成为簇头在进化博弈论中,ESS的公式化是非常重要的ESS是博弈中的一种状态,它确保种群中的不同物种共存,并且通过自私的策略选择增加灭绝概率而不会相互威胁对于CHSG(Cluster Head SelectionGame)博弈,ESS是EP子集中的节点选择策略sCH,NEP子集中的节点选择策略sNCH.假设我们认为属于EP子集的节点以概率p选择策略s CH,则选择策略s NCH的概率将是101-pn。类似地,对于属于子集NE P的节点,选择策略s CH的概率为q,则选择策略s CH的概率为P. Rai,M.Ghose和H.Kumar Deva Sarma埃及信息学杂志23(2022)315321ð -ÞðÞsNCH将是1q。利用这些概率和回报,可以用公式表示出图1所示的回报矩阵。 五、使用收益矩阵,通过选择成为簇头的策略,EP集中的节点所获得的期望效用或收益,即,sCH为表1解释数学框架中使用的各种符号。UEPs CH 1/4小时1-1/4小时2天1/4小时2天-2天1/11小时EP集合中的节点通过选择不成为簇头的策略所获得的期望效用或收益,即,sNCH为U-E-P-SNCHÞ¼qðh-dÞþð1-qÞð-dÞ¼qh-d ð12Þ因此,EP集合中节点的总奖励将是UEP 1/4ph2d-2dq1-pqh-d13类似地,NEP中的节点所获得的期望效用或收益集合被公式化为UNEPsCHpx1-pxdxd-dp14Pi节点i的惩罚h获得的奖励成为群集头UEP中节点的总收益EPUNEPsCHTheexpected实用程序或节点收益UNEPsNCH1/4页×2页×1 -4页×1 -页×3页× 3页×1- 4页× 15页通过节点2EP2NEP通过选择因此,NEP集合中节点的总奖励将是x获得的奖励战略CHU NEPsNCH预期实用程序或UNEP 1/4qxd-dp1-qxp3dp-d16成为群集头通过节点2NEP节点收益2NEP选择策略使用等式在(11)和(14)中,计算集群内每个节点的效用。具有最高效用值的节点被选举为簇头,其他节点作为簇成员。在上述数学框架中使用的各种符号的解释(等式2)。9最后,汇聚节点向所有节点发送一个cluster_info >消息,其中包含节点所属集群的信息。消息格式将包含。以下是在所提出的方法中必须使用的各种数据结构(表2):5. 对拟议聚类方法的分析在本节中,对所提出的聚类方法进行分析。5.1. 理论分析引理1. 形成的集群是相互排斥的。证明:汇聚节点形成集群。传感器场在地理上被虚拟地划分成网格。在形成最终簇的过程中,初始簇有时被合并,如果集群内的节点的总数没有达到至少阈值数量,因此,不存在传感器节点可以成为多于一个集群的成员的机会。由于传感器节点不选择簇头节点,而是由汇聚节点形成簇并选择簇头节点,因此形成的簇总是互斥的。(一)(一)图五. 收益矩阵。定理1. 待形成的簇的数量<$N<$满足条件n= 2 ≤N≤n2,其中n是将传感器场划分为n × n个网格后的一行中的初始网格数。证明:在聚类过程的初始阶段,传感器场被逻辑地划分为n × n个网格。在这个阶段,集群的数量NTH。然后从左到右、从上到下扫描网格。考虑到传感器节点的地理位置,如果簇内的传感器节点的数量小于阈值NTH,则将水平相邻的网格逐个合并以形成新的簇;该过程继续,直到每个簇内的节点的数量>NTH。因此,根据传感器节点的地理分布和NTH的值,集群的最大可能数量是n2。另一方面,特定行中的网格的合并可以持续最多n/2次。因此,在每行中的集群的数量永远不能小于n=2,提供每个网格包含至少一个传感器节点。并且假设虽然传感器节点是随机部署的,但是每个虚拟网格至少包含一个传感器节点。定理2. 确保了簇头的统一地理分布。证明:簇头节点是在簇形成后选择的。同样,集群是最初形成的网格或合并的网格。由于在传感器区域中以网格的形式创建虚拟分区,以及网格的条件合并过程,最终的簇在地理上是均匀分布的。以这样的方式选择簇头节点,使得在诸如节点ID、剩余能量水平、地理位置、PU到达概率和移动简档的参数方面最合适的节点成为相应簇的簇头。因此,簇头节点在地理上均匀分布。、+ 2 、+2、+、符号解释符号解释P播放器设置Q节点的概率属于NEP子集S策略集D选择策略的CH一种激励措施,阻碍成为簇头Ui节点的效用函数我UEPsCH节点的期望效用或收益成为簇头,Ri节点iUEPsNCH选择策略sCH节点获得的期望效用或收益2EP选择策略的NCH,即,不要成为簇头P. Rai,M.Ghose和H.Kumar Deva Sarma埃及信息学杂志23(2022)315322[1]表2使用的数据结构用于认知节点的可用信道列表(即,传感器节点)簇头节点集群ci任意两个认知节点之间的公共信道列表认知节点的运动概况/移动性PU到达概率对每个可用信道的认知节点。定理3. 通信开销最小化。证明:簇形成的过程涉及由每个节点发起的仅一个分组的广播,该分组包含被提及为nomeid、剩余能量水平、地理位置、PU到达概率和移动简档的参数。尽管传感器场中的中间节点也可能必须转发其他数据包,但根据广播策略,这些数据包源自其他地方。然后,汇聚节点创建簇,并且还为每个簇选择簇头节点。然后,每个簇头节点转换其角色,并且随后,簇成员节点仅通过发送一个ack>消息来加入相应的簇由此可见,在簇形成、簇头选择和成员节点加入簇的过程中所涉及的通信次数最少,通信复杂度为O(1).定理4. 形成独特的集群证明:簇头节点选择的过程基于进化博弈论,并受到[6]中描述的过程的启发。然而,我们的协议在集群形成方面的结果是不同的和独特的。这是因为传感器节点被分类为合格和不合格的方式是唯一的,并且不同于[6]。定理5. 在执行簇形成协议的情况下,每个传感器节点接收一个角色,要么是簇成员或簇头。证明:汇聚节点负责形成簇,并为每个簇识别一个簇头节点。在集群的形成之后,汇聚节点将属于每个集群的所有传感器节点分类为两个集合,即节点的合格集合和不合格(NECH)集合(过程的阶段4最后,来自合格的UECH簇集中的最合适的节点接收簇头的角色符合条件的UECH集合的剩余节点和不符合条件的(NECH)集合的所有元素成为集群成员。据了解,CHNECHN s,其中N s是现场部署的所有节点的集合。因此,部署在现场的每个节点都接收到一个角色,要么是集群成员,要么是集群头。定理6. 簇形成和簇头选择算法终止。证明:sink节点最初收集各种节点信息。这种数据收集在适当的时期内进行。除了相对速度之外,运动轮廓还包括运动方向。一旦初步数据收集结束,剩下的只是处理问题。作为一个资源丰富的汇聚节点,它可以形成簇,也可以选择簇头节点,通过运行适当的算法讨论。由于初始数据的处理发生在信宿中,并且该处理不需要来自传感器节点的任何更多中间数据,因此,rithms会进入循环。所收集的节点的移动轮廓足以估计节点在不同时刻的位置,然后是数据收集的时间。6. 绩效评价提出的聚类方案进行了模拟,其性能评估。一个认知无线电无线传感器网络的设置已被认为是由无线传感器节点启用认知无线电。在MATLAB 7.1中进行了仿真。传感器节点被认为是随机部署的。汇聚节点位于传感器场之外。传感器节点具有移动性,然而,汇聚节点被认为是静态的。每个模拟运行1800 s。在每次模拟中,有六轮,每轮250秒。在一轮中,集群设置被认为是相同的。表3中列出了模拟所考虑的各种基本参数。所呈现的不同参数的值是重复进行的六个不同模拟的平均值。在这一节中,各种结果表明所提出的聚类方案的性能。如前所述,传感器节点随机部署图6描绘了跨传感器场的初始随机节点部署。图7示出了根据所提出的聚类协议的初始聚类形成。在这个阶段,考虑到每个集群内的节点数量的集群合并尚未发生。不同的颜色用于显示独特的集群。图8示出了根据所提出的方案的最终簇形成。在这个阶段,已经发生了所形成的初始集群的合并。集群在地理上均匀分布。由于节点是移动的,所呈现的场景仅在持续时间t内有效。图图6、图7和图8表示在整个模拟持续时间期间在适当时刻的快照。图图9显示了关于簇形成期间的能量消耗的状况。这种能量消耗是由于节点根据集群协议进行的必要通信和所需的计算。蓝色部分代表整个系统中不同数量的表3模拟设置。参数值节点部署区域200 m× 200 m水槽位置(250,100)部署的传感器节点主要用户数可用频道数传感器节点的初始能量0.5JRF50 nJ/bit电子放大器10 pJ/bit/m2簇的信息和簇头节点的选择,0amp0.0013 pJ/bit/m2在有限的时间内结束。如果有任何必要的数据,从传感器节点,在中间的计算,有可能是一种情况下,算法-d087 m数据包大小50字节控制数据包大小20字节eP. Rai,M.Ghose和H.Kumar Deva Sarma埃及信息学杂志23(2022)315323¼20016012080400 20 40 60 80 100 120总能量(J)总能耗平均能耗见图9。能量消耗对集群形成的影响。见图6。 随机部署40个节点。图图10表示团簇形成过程中的能量消耗速率。能量消耗率按(17)式计算。簇形成过程中能量消耗的速率随系统中节点的数目而变化随着部署节点数量的增加,速率下降。这是因为,随着节点数量的增加,传感器场变得更密集,并且节点之间的相对距离减小。因此,通信的能量需求成比例地降低。初始总能量-剩余总能量初始总能量×100%ð17Þ见图7。 初始集群形成。在簇头选择过程中发生的能量消耗如图所示。 十一岁同样,蓝色部分表示考虑所有传感器节点的网络系统中可用的总能量,而红色部分表示在簇头节点选择期间花费的平均能量簇头节点选择过程中消耗的平均能量随着系统中节点数量的增加而增加这是因为随着节点数量的增加,簇头(CH)节点的数量也增加。然而,与簇形成过程相比,所花费的能量相当少,因为按照协议,汇聚节点基于所收集的初始信息来选择CH节点因此,处理仅发生在汇聚节点中。最后,汇聚节点通知所有其他节点关于所选择的簇头节点。因此,传感器节点消耗能量32.5见图8。最后的集群形成。节点,而红色部分表示由于集群形成而在整个系统中花费的平均能量。据观察,系统中花费的平均能量随着节点数目的增加而减少。这是因为,随着节点数量的增长,网络变得密集。因此,需要穿越的两个节点之间的物理距离减小,并且根据能量模型,这会产生更少的能量。21.510.504080 120数量的节点160200侧边(eq.)(4)在这项工作中。见图10。 团簇形成过程中的能量损耗率。1000.450468800.460081600.47144400.478687200.490955数量的节点能量消耗率%P. Rai,M.Ghose和H.Kumar Deva Sarma埃及信息学杂志23(2022)315324200160120804099.5495320.00103179.5399190.00097759.528560.00093939.5213130.000919.509045 0.0006280 20 40 60 80 100120总能量(J)总能耗平均能耗见图11。选择CH的能耗。结然而,增长率非常低,因为随着节点数量的增加,网络的总能量也会增加。还观察到,在CH选择过程中的能量消耗率比簇形成低。所提出的分簇协议在所选择的CH节点的质量方面的性能已经与[9]、RARE[35]和LEACH[2]中提出的协议进行了比较。这里,所选择的簇头节点的质量指示两个参数。第一个是高能量传感器节点被选为簇头的百分比。高能量指示所选簇头节点的剩余能量水平高于某个阈值。在这里,该阈值被认为是初始能量水平的75%。第二个参数是所选簇头节点的地理分布。这样,所选择的簇头节点在地理上均匀地分布在所考虑的参数中。没有两个选择的簇头节点被期望在地理上彼此靠近0.00350.0030.00250.0020.00150.0010.0005040 80 120 160 200数量的节点见图12。CH选择期间的能量消耗速率。虽然“接近”这个词用于判断簇头节点在地理位置上是否均匀分布。由于模拟系统在部署节点的数量方面相对较小,因此很有可能毫无困难地确定。图13示出了在整个模拟持续时间期间已经被选择为簇头节点的高能量节点的百分比。该参数是在
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 利用迪杰斯特拉算法的全国交通咨询系统设计与实现
- 全国交通咨询系统C++实现源码解析
- DFT与FFT应用:信号频谱分析实验
- MATLAB图论算法实现:最小费用最大流
- MATLAB常用命令完全指南
- 共创智慧灯杆数据运营公司——抢占5G市场
- 中山农情统计分析系统项目实施与管理策略
- XX省中小学智慧校园建设实施方案
- 中山农情统计分析系统项目实施方案
- MATLAB函数详解:从Text到Size的实用指南
- 考虑速度与加速度限制的工业机器人轨迹规划与实时补偿算法
- Matlab进行统计回归分析:从单因素到双因素方差分析
- 智慧灯杆数据运营公司策划书:抢占5G市场,打造智慧城市新载体
- Photoshop基础与色彩知识:信息时代的PS认证考试全攻略
- Photoshop技能测试:核心概念与操作
- Photoshop试题与答案详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)