یک روش ناحیه بندی و جمع آوری داده با هدف بهینه‌سازی طول عمر در شبکه های حسگر بی سیم

نوع مقاله: مقاله پژوهشی فارسی

نویسندگان

1 گروه مهندسی کامپیوتر - دانشکده فنی - دانشگاه ولی عصر (عج رفسننجان)

2 گروه مهندسی کامپیوتر - دانشکده فنی - دانشگاه ولی عصر رفسنجان

چکیده

یکی از چالش‌های شبکه‌های حسگر بی‌سیم، عدم توازن در مصرف انرژی گره‌ها و مرگ زودهنگام گره‌های فرستنده اطراف ایستگاه پایه می‌باشد. دلیل این امر، بار کاری بیشتر و بنابراین، مصرف انرژی بیشتر در این گره‌ها می‌باشد. به‌طوری‌که، ارتباط گره‌های زنده و فعال شبکه نیز با ایستگاه پایه مختل می‌گردد. در این مقاله، هدف، متوازن‌سازی بار کاری و مصرف انرژی در گره‌های شبکه می‌باشد. به‌طوری‌که، در ضمن بیشینه‌سازی طول عمر همه گره‌ها، از مرگ زودهنگام گره‌های پیرامون ایستگاه پایه جلوگیری گردد و لذا همه گره‌های شبکه تا آخر طول عمر خود، با ایستگاه پایه در ارتباط باشند و حفره‌ای در شبکه ایجاد نگردد. برای نیل به این مقصود، روشی برای ناحیه‌بندی شبکه‌های حسگر بی‌سیم پیشنهاد می‌شود. در این روش، ناحیه‌ها به گونه‌ای ایجاد می‌شوند که طول گام ارسال داده هر گره فرستنده بر حسب میزان داده‌ای که باید ارسال کند، معین می‌گردد. بنابراین، انرژی مصرفی گره‌های فرستنده و در نتیجه، طول عمر آنها متوازن می‌شود. روش پیشنهادی که آن را ZOGLO می‌نامیم، در درجه اول، راه‌حلی برای چالش مردن زودهنگام گره‌های فرستنده پیرامون ایستگاه پایه ارائه می‌دهد. علاوه بر این، ابعاد ناحیه‌ها چنان تنظیم می‌شود که در هر ناحیه، ارتباط گره‌های حسگر با گره فرستنده ناحیه به‌صورت تک گام انجام می‌شود. روش ZOGLO چگالی گره‌های حسگر در ناحیه‌ها را متوازن می‌کند تا نرخ پوشش در همه سطح شبکه یکسان گردد. ارزیابی‌های انجام شده نشان می‌دهند که روش ZOGLO نسبت به کارهای مرتبط، طول عمر گره‌های شبکه اعم از گره‌های فرستنده و حسگر را بالا می‌برد و نیز اختلاف طول عمر آنها را کم می‌کند.

کلیدواژه‌ها


   [1]      A.S. Ajith Kumar, K. Øvsthus and L.M. Kristensen, “An Industrial Perspective on Wireless Sensor Networks - A Survey of Requirements, Protocols, and Challenges,” IEEE Communications Surveys & Tutorials, Vol.16, No.3, pp. 1391-1412, 2014.

   [2]      J.A. Khan, H.K. Qureshi and A. Iqbal, “Energy management in Wireless Sensor Networks: A survey,” Computers & Electrical Engineering (Elsevier), Vol.41, pp. 159-176, 2015.

   [3]      Z. Fei, B. Li, S. Yang, C. Xing, H. Chen and L. Hanzo, “A Survey of Multi-Objective Optimization in Wireless Sensor Networks: Metrics, Algorithms and Open Problems,” IEEE Communications Surveys & Tutorials, Vol.19, No.1, pp. 550-586, 2017.

   [4]      T. Rault, A. Bouabdallah and Y. Challal, “Energy efficiency in wireless sensor networks: A top-down survey,” Computer Networks (Elsevier), Vol.67, pp. 104-122, 2014.

   [5]      A. Chamam, S. Pierre, “On the Planning of Wireless Sensor Networks: Energy-Efficient Clustering under the Joint Routing and Coverage Constraint,” IEEE Transactions on Mobile Computing, Vol.8, Issue 8, 2009.

   [6]      M. Abo-Zahhad, N. Sabor, S. Sasaki and S.M. Ahmed, “A centralized immune-Voronoi deployment algorithm for coverage maximization and energy conservation in mobile wireless sensor networks,” Information Fusion (Elsevier), Vol.30, pp. 36-51, 2016.

   [7]      A. F. Jemal, R. H. Hussen, D. Y. Kim, Z. Li, T. Pei and Y. J. Choi, “Energy-efficient selection of cluster headers in wireless sensor networks,” International Journal of Distributed Sensor Networks, Vol. 14, No. 3, DOI: 10.1177/1550147718764642, 2018.

   [8]      A.K. Idrees, K. Deschinkel, M. Salomon and R. Couturier, “Coverage and Lifetime Optimization in Heterogeneous Energy Wireless Sensor Networks,” the Thirteenth International Conference on Networks (ICN), 2014.

   [9]      Z .Chen and H. Shen, “A grid-based reliable multi-hop routing protocol for energy-efficient wireless sensor networks,” International Journal of Distributed Sensor Networks, Vol. 14(3), DOI: 10.1177/1550147718765962, 2018.

[10]      D. Saha and A. Das, “Coverage Area Maximization by Heterogeneous Sensor Nodes with Minimum Displacement in Mobile Networks,” IEEE International Conference on Advanced Networks and Telecommunications Systems (ANTS), 2015.

[11]      N. Tuah, M. Ismail and A.R. Haron, “Energy Consumption and Lifetime Analysis for Heterogeneous Wireless Sensor Networks,” the IEEE TENCON Spring Conference, 2013.

[12]      C. Han , Q. Lin, J. Guo, L. Sun,and Z. Tao, “A Clustering Algorithm for Heterogeneous Wireless Sensor Networks Based on Solar Energy Supply,” electronics journal (MDPI), Vol. 7, No. 103, DOI:10.3390/electronics7070103, 2018.

[13]      A. Sikandar and S. Kumar, “Energy Efficient Clustering in Heterogeneous Wireless Sensor Networks Using Degree Of Connectivity,” the International Journal of Computer Networks & Communications (IJCNC), Vol.7, No.2, pp. 19-31, 2015.

[14]      J.J. Liaw, C.W. Chou and C.Y. Dai, “The Lifetime Extension of Wireless Sensor Networks using Adaptive Energy Allocation by Distance,” International Journal of Distributed Sensor Networks, Vol.2013, pp. 1-8, 2013.

[15]      V. Gupta and R. Pandey, “An improved energy aware distributed unequal clustering protocol for heterogeneous wireless sensor networks,” Engineering Science and Technology, Vol.19, Issue 2, pp. 1050-1058, 2016.

[16]      N. Mazumdar and H. Om, “Distributed fuzzy approach to unequal clustering and routing algorithm for wireless sensor networks,” International journal of Communication systems, Vol. 31, Issue12, doi: 10.1002/dac.3709, 2018.

[17]      B. Baranidharan and B. Santhi, “DUCF: Distributed load balancing Unequal Clustering in wirelesssensor networks using Fuzzy approach,” Applied Soft Computing (Elsevier), Vol.40, pp. 495-506, 2016.

[18]      H. Bagci and A. Yazici, “An energy aware fuzzy approach to unequal clustering in wireless sensor networks,” Applied Soft Computing, Vol.13, No.4, pp. 1741-1749, 2013.

[19]      W.B. Heinzelman, A.P. Chandrakasan and H. Balakrish-nan, “An application-specific protocol architecture for wireless microsensor networks,” IEEE Transactions on wireless communications, Vol.1, Issue 4, 2002.