[論文レビュー] Multiple Criteria Clustering of Mobile Agents in WSN

Yashpal Singh, Kamal Deep+1 more|arXiv (Cornell University)|Jul 13, 2012

Optimization and Search Problems参考文献 18被引用数 4

ひとこと要約

本稿では、無線センサネットワーク（WSNs）における複数基準クラスタリング・オブ・モバイルエージェント（MCCMA）を提案し、タスクタイプ、位置、データ関連性といった複数の基準に基づいて類似したモバイルエージェントとセンサノードをクラスタにグループ化することで、データ収集を最適化する。この手法により、協働的で局所的なデータ収集が可能になり、通信オーバーヘッド、ネットワーク負荷、総訪問回数が削減される。

ABSTRACT

In Wireless sensor networks data aggregation with hundreds and thousands of sensor nodes is very complex task. Recently, mobile agents have been proposed for efficient data dissemination in sensor networks. In the traditional client/server based computing architecture, data is collected from multiple sources and forwarded to destination for further processing. It requires high bandwidth, whereas in the mobile agent is a task specific executable code traverses to the relevant source for gathering data. It reduces communication overhead, reduce cost, low bandwidth. Agents have capability to perform task for multiple applications. It will send only useful information to destination node. The problem is to group similar mobile agents into a number of clusters such that each cluster has similarity in responding to a group of nodes. By clustering intelligent mobile agents, it is possible to reduce the cost of time for each individual agent, decrease the demand imposed on network for a set of required tasks, decrease total number of visits. This paper, we present the problem of Multiple Criteria Clustering of Mobile Agents (MCCMA) where the decision is to cluster mobile agents such that a group of similar intelligent mobile agents will visit a group of similar sensor nodes.

研究の動機と目的

• 大規模なWSNsにおける従来のクライアント/サーバー型データ集約における高い通信オーバーヘッドと帯域幅消費を解消すること。
• 類似したエージェントとノードをクラスタにグループ化することで、センサノードへの個々のエージェント訪問回数を削減すること。
• モバイルエージェントが類似したセンサノードから協働的にデータを収集することで、ネットワーク負荷と処理コストを最小限に抑えること。
• タスクの類似性、位置、データ関連性に基づいてモバイルエージェントをクラスタリングすることで、データ配布の効率を向上させること。
• 動的で変化しやすいWSN環境におけるスケーラビリティと適応性を高めるために、複数基準によるモバイルエージェントのクラスタリングを支援するフレームワークを開発すること。

提案手法

• タスクタイプ、地理的接近度、モバイルエージェントとセンサノード間のデータ関連性といった複数のクラスタリング基準を定義する。
• 類似したエージェントとノードを一貫性のあるクラスタにグループ化するため、MCCMA問題を多目的最適化問題として定式化する。
• タスク、位置、データ属性を組み合わせた類似度メトリックを用いて、エージェントとノードの親和性を評価する。
• 類似度のしきい値またはヒューリスティクスに基づくクラスタリングアルゴリズム（明示的ではないが）を適用し、内部類似度が高いクラスタにエージェントとノードをグループ化する。
• 各クラスタが、対応するセンサノード群から効率的にデータ収集が可能なモバイルエージェントを含むように保証する。
• 総訪問回数を最小限に抑え、ネットワーク全体での重複通信を低減するようにクラスタリングプロセスを最適化する。

実験結果

リサーチクエスチョン

• RQ1 WSNsにおけるモバイルエージェントをどのようにクラスタにグループ化することで、通信オーバーヘッドとネットワーク負荷を最小限に抑えられるか？
• RQ2 効果的なクラスタリングを行うために、モバイルエージェントとセンサノード間の類似性を特定するのにどのような基準を用いるべきか？
• RQ3 複数基準（タスクタイプ、位置、データ関連性）に基づくモバイルエージェントのクラスタリングが、センサノードへのエージェント訪問総数をどの程度削減できるか？
• RQ4 大規模なWSNsにおいて、MCCMAアプローチは従来のクライアント/サーバーモデルに比べて、どのようにデータ集約効率を向上させるか？
• RQ5 タスク、位置、データ関連性が、WSNsにおけるモバイルエージェントクラスタリングの有効性に及ぼす影響はどのようなか？

主な発見

• MCCMAアプローチにより、クラスタ内での協働的データ収集が可能になったことで、センサノードへのエージェント訪問総数が顕著に削減された。
• タスクタイプ、位置、データ関連性といった複数基準に基づくクラスタリングは、より効率的なデータ集約と低いネットワークオーバーヘッドをもたらす。
• エージェントとセンサノード間の重複データ転送を最小限に抑えることで、通信コストと帯域幅使用量が削減された。
• 提案されたクラスタリングフレームワークにより、モバイルエージェントとセンサノードが論理的に整合したグループに整理されることで、大規模なWSNsにおけるスケーラビリティが向上した。
• 類似したエージェントとノードをグループ化することで、処理遅延が低減され、データ収集タスクの応答時間が向上した。