مسیریابی در اینترنت اشیاء با استفاده از الگوریتم جستجوی عروس دریایی

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

1 دانشکده مهندسی برق و کامپیوتر ، دانشگاه سیستان و بلوچستان، زاهدان ، ایران.

2 گروه مهندسی فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان ، ایران

چکیده

در شبکه اینترنت اشیاء ارسال یک بسته از مبداء به مقصد و مسیریابی بهینه یک چالش اساسی است زیرا بسته‌ها باید در مسیر بهینه و با حداقل تاخیر و نرخ کمینه خطا ارسال شوند. یکی از چالش‌های این بخش عدم در نظر گرفتن مسئله ازدحام مسیرهای ارسال بسته‌ها در بیشتر پژوهش‌ها است. در این مقاله برای مسیریابی بهینه در اینترنت اشیاء یک رویکرد جدید بر اساس پیش بینی مسیر کم ازدحام و یک رویکرد انتخاب مسیر بهینه با هوش گروهی ارائه می‌شود. در روش پیشنهادی برای پیش‌بینی مسیرهای دارای ازدحام کم از یادگیری مبتنی بر رای‌گیری اکثریت شبکه عصبی، درخت تصمیم‌گیری و جنگل تصادفی استفاده می‌شود. در روش پیشنهادی از الگوریتم عروس دریایی برای بهینه‌سازی مسیر ارسال بسته‌ها استفاده می‌شود. نقش الگوریتم عروس دریایی یافتن مسیرهای بهینه در شبکه با حداقل تاخیر، حداقل طول صف، حداقل خطای ارسال و بیشترین نرخ ارسال در مسیر مورد نظر است. پیاده‌سازی روش پیشنهادی در نرم‌افزار متلب انجام شده است و برای پیش بینی ازدحام از داده‌های شبیه‌سازی شده در اینترنت اشیاء استفاده شده است. یافته‌های تحقیق نشان می‌دهد تابع هدف مسیریابی روش پیشنهادی نسبت به الگوریتم بهینه‌سازی گرگ خاکستری، بهینه‌سازی وال و کرم شب‌تاب از کارایی مناسب‌تری برخوردار است و این بدان است که روش پیشنهادی نسبت به این الگوریتم‌ها دارای مسیریابی کم خطاتر، با تاخیر کمتر و طول صف کمتر است. انرژی باقی مانده در گره‌های شبکه در روش پیشنهادی نسبت به الگوریتم بهینه‌سازی گرگ خاکستری، بهینه-سازی وال و کرم شب‌تاب دیرتر مصرف می‌شود و عمر شبکه در روش پیشنهادی از این روش‌ها بیشتر است. روش پیشنهادی در پیش بینی ازدحام دارای دقت، حساسیت و صحتی به ترتیب برابر 97.63% ، 96.85% و 97.19% است. بکارگیری رای‌گیری اکثریت باعث می-شود تا دقت روش پیشنهادی نسبت به درخت تصمیم‌گیری، جنگل تصادفی و شبکه عصبی مصنوعی چند لایه به ترتیب 6.39%، 1.42% و 3.40% افزایش یابد. آزمایشات نشان داد که روش پیشنهادی در پیش بینی ازدحام در مسیرهای انتخاب شده از درخت تصمیم‌گیری، درختان تکراری، درختان تصادفی، روش خوشه‌بندی دارای دقت، حساسیت و صحت بیشتری است.

کلیدواژه‌ها