[논문 리뷰] Multi-level Dynamic Optimization of Intelligent LEACH with Cost Effective Deep Belief Network

Muhammad Umar Javed, Zaid Bin Tariq외 2명|arXiv (Cornell University)|2019. 04. 12.

Energy Efficient Wireless Sensor Networks참고 문헌 17인용 수 4

한 줄 요약

이 논문은 에너지 효율적인 클러스터 간 라우팅을 위한 개미 군집 최적화(ACO), 유연한 지연 시간을 고려한 하이브리드 이벤트 모니터링을 위한 딥 베이지안 네트워크(DBN), 그리고 적응형 클러스터 경계를 위한 버로이 테세레이션을 활용한 다중 수준 동적 최적화 프레임워크를 제안한다. 이 방법은 최신 기술 수준의 LEACH 변종 대비 거의 6배 높은 스루풋과 10배 이상 긴 네트워크 수명을 달성한다.

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.

연구 동기 및 목표

• 기존 LEACH의 제한된 네트워크 수명과 높은 에너지 소비 문제를 해결하기 위해 다중 수준 동적 최적화를 도입한다.
• 노드 밀도와 에너지 수준에 기반한 동적 클러스터 경계 형성으로 에너지 효율성을 향상시킨다.
• 딥 베이지안 네트워크를 통합하여 적응형 사전 및 사후 감지 기능을 제공함으로써 이벤트 모니터링 지연을 줄인다.
• 다중 홉 통신에서의 에너지 비용을 최소화하기 위해 개미 군집 최적화(ACO)를 활용해 클러스터 간 라우팅 효율성을 향상시킨다.
• 다이나믹 인라인 클러스터 최적화를 통해 단일 장애 지점이 없는 확장 가능하고 견고하며 분산된 네트워크 운영을 실현한다.

제안 방법

• 노드 밀도와 에너지 분포에 기반해 클러스터 경계를 동적으로 정의하기 위해 버로이 테세레이션을 활용하며, 클러스터 반경을 최대화하고 에너지 소비를 최소화한다.
• 클러스터 헤드에서 싱크까지의 최소 에너지 경로를 계산하기 위해 개미 군집 최적화(ACO)를 적용하여 다중 홉 및 병렬 데이터 전송을 지원한다.
• 딥 베이지안 네트워크(DBN)를 사용해 차원 축소를 수행하고 처리 속도를 향상시키며, 반응형 및 수동 감지 전략을 융합한 하이브리드(반응형 및 수동) 이벤트 모니터링 전략을 구현한다.
• 다이나믹 프로그래밍과 iBRICH 클러스터링을 활용해 인라인 클러스터 최적화를 수행하여 인라인 클러스터 통신 비용과 에너지 소비를 최소화한다.
• 분산형 다중 에이전트 지능을 통합하여 시스템의 내재성과 단일 장애 지점 위험을 방지한다.
• 다층 아키텍처를 활용: 인라인 클러스터 최적화(다이나믹 프로그래밍), 클러스터 간 라우팅(ACO), 이벤트 모니터링(DBN)을 통합해 종합적인 에너지 효율성을 확보한다.

실험 결과

연구 질문

• RQ1 다이나믹 클러스터 경계 형성은 WSN에서 에너지 효율성과 네트워크 수명에 어떻게 기여하는가?
• RQ2 다중 홉 LEACH 변종에서 개미 군집 최적화(ACO)는 클러스터 간 라우팅의 에너지 비용을 얼마나 줄일 수 있는가?
• RQ3 딥 베이지안 네트워크(DBN)는 이벤트 탐지 정확도를 유지하면서 모니터링 지연을 효과적으로 줄일 수 있는가?
• RQ4 다양한 최적화 수준(인라인 클러스터, 클러스터 간, 이벤트 모니터링)을 통합한 방법은 기존 LEACH 기반 프로토콜 대비 스루풋과 수명 측면에서 어떻게 비교되는가?
• RQ5 다이나믹 클러스터 형성과 적응형 라우팅은 에너지 고갈 패턴과 네트워크 안정성에 어떤 영향을 미치는가?

주요 결과

• 제안된 최적화된 LEACH 프로토콜은 네트워크 운영 수명 동안 LEACH-EEE 대비 거의 6배 높은 스루풋을 달성한다.
• 첫 번째 노드가 사라지기까지 약 160라운드가 소요되며, LEACH-EEE의 경우 단지 10라운드에 그치므로 네트워크 수명이 약 10배 향상됨을 시사한다.
• 제안된 방법의 에너지 감쇠 비율은 LEACH-EEE 대비 약 10배 낮으며, 더 안정적이고 단계적 감쇠 패턴을 보여 최적의 에너지 분포를 의미한다.
• 딥 베이지안 네트워크(DBN)는 다양한 은닉층 구성에서 오류율을 2.1~2.8%로 낮추며, iBRICH 클러스터링 단독 사용 시 5% 오류율을 크게 뛰어넘는 성능을 보인다.
• ACO 기반 라우팅은 약 100회 반복 이내에 최적 경로로 수렴하며 에너지 비용 함수를 최소화하고 효율적인 다중 홉 데이터 전송을 가능하게 한다.
• 버로이 테세레이션은 밀도 인식 가능한 동적 클러스터 경계를 가능하게 하여 커버리지 최대화와 불필요한 에너지 소비 최소화를 달성한다.