양봉 이기종 센서 네트워크 클러스터링을 위한 K-Means 기반 벌집 최적화

페이지 정보

작성자 관리자
댓글 0건 조회 42회 작성일 24-11-30 14:37

본문

이기종 센서 네트워크 클러스터링을 위한 K-Means 기반 벌집 최적화

~에 의해

프린스 모디

1,2,*

카다피 압둘살람

에마누엘 프리먼

2,*

패트릭 아켐퐁

윌리엄 레슬리 브라운-아콰이

이스라엘 에뎀 아그베하지

그리고

리차드 C. 밀햄

컴퓨터 과학과, Ho Technical University, Ho VH-0044, 가나

컴퓨터 과학과, 가나 커뮤니케이션 기술 대학, 아크라 PMB 100, 가나

가나, 쿠마시 K384, 콰메 은크루마 과학 기술 대학교 컴퓨터 과학과

더반 회계학부, University of Technology, PO Box 1334, 더반 4000, 남아프리카 공화국

ICT 및 사회 연구 그룹, 정보 기술부, 더반 기술 대학, 우편번호 1334, 더반 4000, 남아프리카 공화국

서신을 보내야 할 저자입니다.

센서 2024 , 24 (23), 7603; https://doi.org/10.3390/s24237603

제출 접수: 2024년 10월 16일 / 개정: 2024년 11월 22일 / 수락: 2024년 11월 26일 / 게시일: 2024년 11월 28일

(본 기사는 WSN 및 IoT의 고급 응용 프로그램 특별호 - 2판에 속합니다 )

추상적인

무선 센서 네트워크(WSN)에서 효율적인 클러스터링 기술은 네트워크 센서의 에너지 레벨을 최적화하고 네트워크 수명을 연장하는 데 중요합니다. 기존의 벌집 최적화 기술은 WSN에서 클러스터링 기술로 널리 사용되었지만 대부분 에너지 효율성과 네트워크 성능에 문제가 있습니다. 이 연구에서는 이기종 센서 네트워크에서 효율적인 클러스터링을 위해 K-평균 알고리즘(K-BCO라고 함)을 시너지 효과로 결합하는 벌집 최적화를 제안합니다. 이는 WSN에서 에너지 소비와 네트워크 성능의 과제를 해결하는 견고하고 효율적인 클러스터링 알고리즘을 개발하기 위한 것입니다. K-BCO 알고리즘은 센서에서 클러스터 헤드로 데이터 패킷을 전송하기 위한 평균 오류율(AER), 평균 데이터 전달률(ADDR), 평균 에너지 소비(AEC)에서 H-LEACH, DBCP, ABC-ACO와 같은 비교 클러스터링 알고리즘보다 성능이 우수했습니다. K-BCO는 H-LEACH(75.86%), DBCP(72.07%) 및 ABC-ACO(90.08%)에 비해 ADDR 측면에서 95.00%로 다른 알고리즘보다 성능이 우수했습니다. 연구 결과에 따르면 K-BCO는 에너지 소비를 최적화할 뿐만 아니라 보다 안정적이고 견고한 솔루션을 보장하여 WSN의 네트워크 수명을 연장합니다. 따라서 K-BCO는 무선 센서 네트워크 실무자에게 권장되며, 보다 효율적이고 지속 가능한 무선 통신을 위한 길을 열어줍니다.

키워드:

무선 센서 네트워크(WSN) ; 꿀벌 집단 최적화(BCO) ; 자연에서 영감을 받음 ; 최적화 ; 클러스터링

1. 서론

무선 센서 네트워크(WSN)는 무선 통신 채널을 통해 데이터나 정보를 수집하고 공유하기 위해 지리적 영역에 걸쳐 배치된 독립적인 센서로 구성됩니다[ 1 ]. 이러한 센서는 진동, 압력, 온도, 소리, 움직임 또는 오염 물질과 같은 물리적 또는 환경적 속성을 관찰하기 위해 배치됩니다. 센서는 싱크 노드(SN) 또는 기지국(BS)이라고 하는 네트워크 내의 중앙 지점으로 데이터를 전송하기 위해 협업할 수 있습니다[ 2 ]. 무선 센서 네트워크(WSN)는 환경 모니터링, 재해 관리, 의료, 농업, 스마트 시티 인프라와 같은 다양한 응용 분야에서 많은 이점을 제공합니다. 이로 인해 실시간 데이터 수집, 향상된 모니터링 및 제어, 안전 및 보안 강화, 혁신적인 응용 분야를 포함한 다양한 분야에서 귀중한 기술이 됩니다[ 1 , 3 ]. WSN은 이러한 분야에서 가치가 있지만 성공적인 개발 및 배포에는 전력 소비 및 패킷 손실을 포함한 많은 과제에 직면합니다. 센서는 일반적으로 배터리로 구동되며 에너지는 중요한 자원입니다. 센서 노드의 배터리가 고갈되면 더 이상 작동할 수 없어 데이터 수집에 격차가 생기고 잠재적으로 전체 네트워크가 손상될 수 있습니다. WSN에서 센서는 다양한 에너지 요구 사항을 가질 수 있습니다. 노드 수가 증가함에 따라 전송되는 데이터 양이 네트워크 혼잡과 에너지 소비 증가로 이어질 수 있습니다. 효율적인 데이터 라우팅 및 전송 전략은 이러한 문제를 완화하는 데 필수적입니다. WSN의 수명은 종종 노드의 에너지에 의해 제한됩니다. 따라서 네트워크의 작동 시간을 연장하는 전략은 지속적인 모니터링과 데이터 수집을 유지하는 데 중요합니다. 그러나 문제는 클러스터 헤드(CH)가 될 만큼 충분한 에너지를 가진 센서를 선택하는 것입니다.

WSN의 클러스터링은 WSN 조직, 리소스 관리 및 통신 최적화를 위한 체계적인 기술을 제공하여 무선 센서의 확장성, 효율성, 안정성 및 성능을 개선합니다[ 2 , 4 ]. 클러스터링은 센서 노드를 클러스터로 그룹화하는 데 사용되는 방법으로, 각 클러스터에는 클러스터 헤드(CH)라고 하는 지정된 리더가 있습니다. 이 접근 방식은 개별 노드의 데이터를 보내기 전에 클러스터 헤드에서 집계할 수 있으므로 싱크 노드로 전송해야 하는 데이터 양을 줄여줍니다. 클러스터링은 에너지 효율성과 데이터 관리를 향상시킬 수 있지만, 기존 방법은 특히 다양한 센서 노드의 다양한 에너지 레벨과 기능을 고려할 때 WSN의 동적 특성에 효과적으로 적응하지 못할 수 있습니다. 다시 말해, 클러스터 헤드, 듀티 로테이션, 데이터 집계, 효율적인 라우팅, 슬립 스케줄링 및 로컬화된 프로세싱을 통해 WSN이 에너지 소비를 최적화하는 데 도움이 됩니다[ 2 ].

자연에서 영감을 받은 최적화 방법은 클러스터 형성에 대한 최적의 접근 방식을 찾는 측면에서 무선 센서 네트워크 문제를 해결하는 접근 방식 중 하나입니다. 자연에서 영감을 받은 접근 방식은 모든 최적화 문제에서 유망하지 않은 검색 경로를 피하는 데 도움이 되므로 최상의 또는 최적에 가까운 솔루션을 검색하는 데 소요되는 시간을 줄이는 데 도움이 됩니다. 이러한 방법의 예로는 꿀벌의 먹이 찾기 행동에 기반한 자연에서 영감을 받은 최적화 알고리즘인 Bee Colony Optimization(BCO)이 있습니다[ 5 , 6 ]. BCO는 꿀벌의 먹이 찾기 행동에서 영감을 받은 메타휴리스틱 최적화 알고리즘입니다. 이는 꿀벌이 음식을 찾고 음식 공급원의 위치를 서로에게 전달하는 방식을 모방합니다. BCO는 에너지 수준 및 노드 근접성과 같은 요인을 기반으로 클러스터 헤드를 효율적으로 선택하여 라우팅 및 클러스터링을 최적화하는 데 사용할 수 있습니다. 꿀벌의 먹이 찾기 행동은 WSN에서 데이터 전송을 위한 가장 효율적인 경로를 찾는 데 적용되어 에너지 소비를 줄이고 네트워크 수명을 개선하며 전반적인 네트워크 성능을 향상시킬 수 있습니다[ 3 ].

불행히도 기존의 Bee Colony Optimization(BCO)은 알고리즘이 너무 빨리 최적이 아닌 솔루션에 정착하여 복잡한 시나리오에서 효과를 제한하는 조기 수렴과 같은 문제에 직면합니다[ 5 ].또한 이는 이기종 센서 네트워크에서 최적 라우팅 경로를 찾는 성능을 제한합니다.이는 네트워크 내 센서 노드 간에 다양성과 가변성이 있기 때문입니다.이 연구는 기존 BCO 기술과 관련된 문제를 해결하기 위해 k-평균 클러스터링 기술과 Bee Colony Optimization 알고리즘(K-BCO)을 결합하여 효율적인 클러스터링 알고리즘을 개발하는 데 중점을 둡니다.K-평균은 유사성을 기반으로 데이터를 K개의 클러스터로 분할하는 인기 있는 클러스터링 알고리즘입니다[ 7 ].간단하고 효율적이지만 동적 환경에서는 어려움을 겪을 수 있으며 WSN의 센서 노드의 다양한 에너지 수준을 고려하지 못할 수 있습니다.

이기종 WSN에서 센서는 다양한 하드웨어 사양, 메모리 용량, 처리 능력 및 에너지 리소스를 가질 수 있습니다[ 8 ]. 예를 들어, 일부 센서 노드는 강력한 배터리나 효율적인 감지 기능을 가지고 있는 반면, 다른 센서 노드는 더 제한적일 수 있습니다. 이러한 변화는 센서 노드가 데이터 수집, 처리 및 통신에 참여하는 방식에 영향을 미칩니다. 다른 센서 노드는 감지 기능과 모니터링하는 환경 조건에 따라 다양한 속도로 데이터를 생성할 수 있습니다. 이러한 가변성으로 인해 네트워크 내에서 데이터 트래픽이 고르지 않아 클러스터링 및 데이터 집계 프로세스가 복잡해질 수 있습니다. 제안된 K-BCO 알고리즘은 이러한 차이점을 고려하여 데이터 수집 효율성을 향상시키는 것을 목표로 합니다. 이 연구는 또한 WSN에서 에너지 효율성의 중요성을 고려합니다. 센서 노드 간 에너지 수준의 이질성은 일부 노드가 다른 노드보다 데이터 전송 및 처리에 사용할 수 있는 에너지가 더 많을 수 있음을 의미합니다. K-BCO 알고리즘은 에너지 상태를 기반으로 클러스터 헤드를 선택하여 충분한 에너지를 가진 노드가 데이터 전송을 주도하도록 설계되었습니다. 이 접근 방식은 네트워크 전체에서 에너지 소비를 균형 있게 조절하여 전체 네트워크 수명을 연장하는 데 도움이 됩니다. 센서의 물리적 배열은 시간이 지남에 따라 변할 수 있으며, 특히 모바일 센서가 관련된 상황에서 그렇습니다. K-BCO 알고리즘은 클러스터 형성을 동적으로 조정하는 기능을 통해 이러한 환경에서 연결성과 통신 효율성을 유지하는 데 도움이 됩니다. WSN은 데이터 정확도, 대기 시간 및 안정성과 관련하여 고유한 요구 사항이 있습니다. 애플리케이션 요구 사항의 이질성은 모든 것에 맞는 단일 클러스터링 접근 방식이 효과적이지 않을 수 있음을 의미합니다. K-BCO 알고리즘은 적응 가능하도록 설계되어 다양한 애플리케이션의 특정 요구 사항을 충족하는 동시에 에너지 소비와 네트워크 성능을 최적화할 수 있습니다.

본 논문의 섹션은 다음과 같이 구성되어 있다. 섹션 2 (관련 연구), 섹션 3 (이론적 프레임워크),