[論文レビュー] Multi-level Dynamic Optimization of Intelligent LEACH with Cost Effective Deep Belief Network

Muhammad Umar Javed, Zaid Bin Tariq+2 more|arXiv (Cornell University)|Apr 12, 2019

Energy Efficient Wireless Sensor Networks参考文献 17被引用数 4

ひとこと要約

本稿では、適応的クラスタ境界を実現するボロノイタイル化、エネルギー効率的なクラスタ間ルーティングにためのアリコロニー最適化（ACO）、遅延に柔軟なハイブリッドイベントモニタリングにためのディープベルリーフネットワーク（DBN）を用いた、強化されたLEACHプロトコルのためのマルチレベル動的最適化フレームワークを提案する。この手法は、最先端のLEACH変種と比較して、スループットを約6倍に、ネットワーク寿命を10倍に向上させた。

ABSTRACT

Energy utilization is a key attribute for energy constrained wireless sensor networks (WSN) that directly impacts the life time of the network. LEACH (and its variants) are considered to be the most common energy efficient routing protocols for WSN. In this paper, we propose an optimized modification of LEACH that makes use of multi-hop communication, dynamic cluster boundaries and energy conservation in routing to maximize lifetime of a network. We propose a multi-level approach to maximize our gains with regards to energy conservation i.e., i) Dynamic programming based intra-cluster optimization technique has been proposed ii) Ant Colony Optimization is used for energy efficient cluster head connection with sink node and iii) Voronoi Tessellation are employed for efficient coverage planning i.e., dynamic formation of cluster boundaries. In order to accommodate a more flexible adhoc network, hybrid (reactive and proactive) event monitoring based on Deep Belief Network has been integrated in distributed nodes to improve the latency of the system. The results show that the proposed scheme significantly outperforms the current state of the art with regards to network lifetime and throughput.

研究の動機と目的

• 従来のLEACHにおけるネットワーク寿命の短さと高いエネルギー消費を解消するため、マルチレベル動的最適化を導入する。
• ノード密度とエネルギー状態に基づく動的クラスタ境界形成により、エネルギー効率を向上させる。
• ディープベルリーフネットワーク（DBN）を統合して、適応的でプロアクティブかつリアクティブなセンシングを実現し、イベントモニタリングの遅延を低減する。
• アリコロニー最適化（ACO）を用いて、マルチホップ通信におけるエネルギーコストを最小化することで、クラスタ間ルーティング効率を向上させる。
• 動的イントラクラスタ最適化を通じて、単一障害点が存在しないスケーラブルで頑健かつ分散型のネットワーク運用を実現する。

提案手法

• ノード密度とエネルギー分布に基づき、動的かつ最適なクラスタ境界を定義するためにボロノイタイル化を採用し、クラスタ半径を最大化するとともにエネルギー消費を最小化する。
• クラスタヘッドからシンクへの最小エネルギー経路を計算するために、アリコロニー最適化（ACO）を適用し、マルチホップおよび並列データ送信を支援する。
• 次元削減と処理速度の向上を図るため、ディープベルリーフネットワーク（DBN）を用いたハイブリッド（リアクティブおよびプロアクティブ）イベントモニタリング戦略を実装する。
• 動的プログラミングとiBRICHクラスタリングを用いてイントラクラスタ最適化を実現し、イントラクラスタ通信コストとエネルギー消費を最小化する。
• 分散型マルチエージェントインテリジェンスを統合することで、システムのレジリエンスを確保し、単一障害点のリスクを回避する。
• マルチレベルアーキテクチャを採用：イントラクラスタ最適化（動的プログラミング）、クラスタ間ルーティング（ACO）、イベントモニタリング（DBN）を統合し、包括的なエネルギー効率を実現する。

実験結果

リサーチクエスチョン

• RQ1 動的クラスタ境界形成は、WSNにおけるエネルギー効率とネットワーク寿命をどのように向上させるか？
• RQ2 マルチホップLEACH変種において、アリコロニー最適化（ACO）はクラスタ間ルーティングのエネルギーコストをどの程度低減できるか？
• RQ3 ディープベルリーフネットワーク（DBN）は、イベント検出の高精度を維持しつつ、モニタリング遅延を効果的に低減できるか？
• RQ4 イントラクラスタ、クラスタ間、イベントモニタリングのマルチレベル最適化統合は、従来のLEACHベースプロトコルと比較して、スループットと耐久性の面でどの程度優れているか？
• RQ5 動的クラスタ形成と適応的ルーティングは、エネルギー消費パターンとネットワーク安定性にどのような影響を与えるか？

主な発見

• 提案された最適化LEACHプロトコルは、ネットワーク運用期間を通じてLEACH-EEEと比較して、ほぼ6倍の高いスループットを達成した。
• 最初のノードが故障するのは約160ラウンド後であり、LEACH-EEEの10ラウンドと比較して、ネットワーク寿命が10倍に向上した。
• 提案手法におけるエネルギー減少率は、LEACH-EEEと比較して約10倍低い。安定した階段状の減少パターンが観察され、最適なエネルギー配分が実現している。
• ディープベルリーフネットワーク（DBN）は、異なる隠れ層構成において誤差率を2.1–2.8％にまで低下させ、iBRICHクラスタリング単体の5％誤差率を顕著に上回った。
• ACOベースのルーティングは100イテレーション以内に最適経路に収束し、エネルギーコスト関数を最小化し、効率的なマルチホップデータ送信を可能にした。
• ボロノイタイル化により、動的かつ密度に適応したクラスタ境界が実現され、カバレッジを最大化するとともに、重複するエネルギー消費を最小化した。