[论文解读] Dynamic Cluster Head Node Election (DCHNE) Model over Wireless Sensor Networks (WSNs)

Abeer Alabass, Khaled Elleithy+1 more|arXiv (Cornell University)|Oct 14, 2014

Energy Efficient Wireless Sensor Networks参考文献 18被引用 4

一句话总结

该论文提出了一种无线传感器网络（WSNs）的动态簇头节点选举（DCHNE）模型，该模型根据剩余能量选择簇头，以平衡能量消耗并延长网络寿命。通过NS-2仿真，DCHNE模型在延长网络寿命和提高能量效率方面优于传统方法，实现了基于能量感知的动态簇头选择。

ABSTRACT

WSNs are becoming an appealing research area due to their several application domains. The performance of WSNs depends on the topology of sensors and their ability to adapt to changes in the network. Sensor nodes are often resource constrained by their limited power, less communication distance capacity, and restricted sensing capability. Therefore, they need to cooperate with each other to accomplish a specific task. Thus, clustering enables sensor nodes to communicate through the cluster head node for continuous communication process. In this paper, we introduce a dynamic cluster head election mechanism. Each node in the cluster calculates its residual energy value to determine its candidacy to become the Cluster Head Node (CHN). With this mechanism, each sensor node compares its residual energy level to other nodes in the same cluster. Depending on the residual energy level the sensor node acts as the next cluster head. Evaluation of the dynamic CHN election mechanism is conducted using network simulator-2 (ns2). The simulation results demonstrate that the proposed approach prolongs the network lifetime and balancing the energy

研究动机与目标

• 解决能量受限的WSNs中能量不平衡和网络寿命短的问题。
• 通过优化簇头选择，提升网络的可扩展性和寿命。
• 通过基于剩余能量的动态、动态簇头选举，减少传感器节点的能量耗尽。
• 通过自适应聚类，确保WSNs中持续通信和高效的数据聚合。
• 通过公平的选举机制，防止高能量节点过早死亡，从而最小化能量浪费。

提出的方法

• 每个传感器节点定期计算其剩余能量水平。
• 节点将其剩余能量与同一簇内的邻居节点进行比较。
• 剩余能量最高的节点被选为当前轮次的簇头。
• 选举过程在每轮中动态重复，以适应能量水平的变化。
• 簇头负责将数据聚合并转发至基站。
• 该机制使用NS-2网络仿真器实现并评估，采用标准的WSN参数。

实验结果

研究问题

• RQ1 基于剩余能量的动态簇头选举如何影响WSNs中的网络寿命？
• RQ2 基于能量感知的簇头选择能否减少传感器节点之间的能量不平衡？
• RQ3 基于剩余能量的选举对数据传输效率和网络可扩展性有何影响？
• RQ4 与静态或随机的簇头选择相比，所提出的DCHNE模型在能量消耗方面表现如何？
• RQ5 DCHNE模型在多大程度上实现了网络中能量使用的均衡？

主要发现

• 与传统的聚类方法相比，DCHNE模型显著延长了网络寿命。
• 由于基于剩余能量的动态选择，传感器节点之间的能量消耗更加均衡。
• 仿真结果表明，数据传输比率得到改善，簇头的能量耗尽可能降低。
• 随着时间推移，网络的稳定期更长，死亡节点数量更少。
• 通过防止低能量节点被过度用作簇头，该模型减少了能量洞现象。
• 动态选举机制增强了大规模WSN部署中的可扩展性和适应性。