Szenzor kommunikációs folyamatok állapotadatainak neurális hálózat alapú elemzése

Neural Network Based Analysis of Status Information of Sensor Communication Processes

  • GÁL Zoltán
Keywords: vezetéknélküli szenzor hálózat, Low Energy Adaptive Clustering Hierarchy (LEACH), visszacsatolásos neurális hálózat, kapcsolás, klaszter

Abstract

The Internet of Things requires the communication mechanism to be optimal not only from the data transfer but from the energy consumption point of view, too. One of most analysed types of sensor network is Low Energy Adaptive Clustering Hierarchy (LEACH) system depending on the population density, algorithm of cluster head election, heterogeneity of the energy and physiscal position of the nodes, velocity of the sink node, data aggregation rate and size of data frame. Complexity of the system has been analysed based on status datasets of several hundred simulation cases. The serviceability of LEACH network and dependency properties has been compared with deep learning technics using recurrent neural networks (RNN). Efficient analysis of the Big Data category of status data time series has revealed important behaviour of these sensor networks. This study work is part of PhD research task and project.

Kivonat

A Tárgyak Internete számos esetben feltételezi, hogy a szenzorok kommunikációs mechanizmusa ne csak az adatátvitel hatékonysága, hanem a továbbításhoz szükséges energia mennyisége szempontjából is optimális legyen. A szenzorhálózatok egyik leginkább elemzett típusa a LEACH (Low Energy Adaptive Clustering Hierarchy) rendszer, amelynek viselkedése olyan paraméterektől függ, mint a populáció sűrűsége, klaszterfej választási algoritmus, csomópontok energiájának, illetve fizikai helyzetének heterogenitása, nyelő csomópont sebessége, adatok tömörítésének mértéke, illetve adatkeretek mérete. A rendszer komplexitását többszáz szimulációs eset által előállított állapotadat halmaz segítségével elemeztem. A LEACH hálózat működését, illetve ennek függőségi jellemzőit a generált idősorok összevetésével dolgoztam fel, amihez visszacsatolásos neurális hálózatra (RNN) épülő mélytanuló technikákat alkalmaztam. A Big Data kategóriájú állapotadat idősorokat tartalmazó halmaz hatékony feldolgozása ezen típusú szenzorhálózatok mély viselkedési jellemzőinek megismerésére adott lehetőséget. Az elemzési tevékenység PhD kutatási munka, illetve kutatási projekt részét képezi.

References

Heinzelman, W. B, Chandrakasan, A. P., An application-specific protocol architecture for wireless micro sensor networks, IEEE Transactions on Wireless Communications Vol. 1 (2002), 660–670.

Moh’d Alia, O., Dynamic relocation of mobile base station in wireless sensor networks using a cluster-based harmony search algorithm , Information Sciences, (2017), 76–95.

Kim, J., In, J., Hur, K., Kim, J., & Eom, D., An intelligent agent-based routing structure for mobile sinks in WSNs, IEEE Transactions on Consumer Electronics Vol. 4 (2010), 2310–2316.

Liang, W., Luo, J., & Xu, X., Prolonging network lifetime via a controlled mobile sink in wireless sensor networks, IEEE global telecommunications conference GLOBECOM (2010), 1–6.

Salarian, H., Chin, K.W., & Naghdy, F., An energy-efficient mobile-sink path selection strategy for wireless sensor networks, IEEE Transactions on Vehicular Technology (2014), Vol. 63 2407–2419.

Ismat, N., Qureshi, R., & Mumtaz, I., Efficient Clustering for Mobile Wireless Sensor Networks, 17th IEEE International Multi Topic Conference (2014), 110–114.

Zhou, Z., Du, C., Shu, L., Hancke, G., Niu, J., & Ning, J., An Energy-Balanced Heuristic for Mobile Sink Scheduling in Hybrid WSNs, IEEE Transactions on Industrial Informatics, Vol. 12 (2016), 28–40.

Thakur, M., Mobile Sink Based NLEACH Protocol by using Ant Colony Optimization,International Journal of Science Research and Technology, Vol. 2 (2016), 1–10.

Chi, Y., P., Chang, H., P., An energy-aware grid-based routing scheme for wireless sensor networks, Telecommunication Syst, (2013).

Gal, Z., Korteby, M., A., Energy Sparing of the Leach Communication Mechanism in Heterogeneous WSN, 8th International Conference on Advanced Computer Science and Information Technology, (2019), 53–64.

Abo-Zahhad, M., Ahmed, S. M., Sabor, N., & Sasaki, S., Mobile sink-based adaptive immune energy-efficient clustering protocol for improving the lifetime and stability period of wireless sensor networks, IEEE Sensors Journal, Vol. 15 (2015), 4576–4586.

Ghosh, N., & Banerjee, I., An energy-efficient path determination strategy for mobile data collectors in wireless sensor network, Computers & Electrical Engineering, Vol. 48 (2015), 417–435.

Khan, A. W., Abdullah, A. H., Razzaque, M. A., & Bangash, J. I., Vgdra: A virtual gridbased dynamic routes adjustment scheme for mobile sink-based wireless sensor networks, IEEE Sensors Journal, Vol. 15 (2015), 526–534.

Moh’d Alia, O., Dynamic relocation of mobile base station in wireless sensor networks using a cluster-based harmony search algorithm, Information Sciences, (2017), 76–95. 178

Wang, J., Cao, Y., Li, B., Kim, H. J., & Lee, S., Particle swarm optimization based clustering algorithm with mobile sink for WSNs, Future Generation Computer Systems, Vol. 76 (2016), 452–457.

Salarian, H., Chin, K. W., & Naghdy, F., An energy-efficient mobile-sink path selection strategy for wireless sensor networks, IEEE Transactions on Vehicular Technology, Vol. 63 (2014), 2407–2419.

Baljinder, S., Amit, V., Manit, K., A survey on various energy-efficient routing protocols in WSN, International Journal of Advanced Research, Ideas and Innovations in Technology, Vol. 4 (2019), 862–865.

Harjit, S., Varun, S., Energy Efficient Clustering for Network Stability and Longevity for Heterogeneous Wireless Sensor Network, International Journal of Engineering Science and Computing, Vol. 8 (2018), 18867–18872.

Mittal, N., Singh, U., Sohi, B., A stable energy efficient clustering protocol for wireless sensor networks, Wireless Networks, Vol. 23 (2017), 1809–1821.

Preeti, Belwal, M., Energy Efficient LEACH and Improved LEACH: A Review, International Journal of Advanced Research in Computer Science, Vol. 10 (2019), 51–52.

Published
2020-10-06