[论文解读] Impact of two-level fuzzy cluster head selection model for wireless sensor network: An Energy efficient approach in remote monitoring scenarios

Pushan Kumar Dutta, Mrinal Kanti Naskar+1 more|arXiv (Cornell University)|Aug 3, 2013

Energy Efficient Wireless Sensor Networks参考文献 32被引用 8

一句话总结

本文提出了一种基于两级模糊逻辑模型的能效动态场景（EEDS），用于无线传感器网络中的簇头选择，通过节点定位和网络流量优化能量消耗。该方法提升了网络寿命和剩余能量，在仿真结果中优于现有方法。

ABSTRACT

The robust application of wireless sensor networks has increased during the past decade due to the potential use of wireless nodes in transmission of information by decreasing latency for surveillance and monitoring. The study proposes an Energy Efficient Dynamic Scenario (EEDS) for cluster head allocation for optimum balance in the energy consumption of the whole network that will prolong the lifetime of the network in an efficient manner. In this paper, a two-level fuzzy logic is proposed in choosing cluster head based on node localization and network traffic. In the upper decision making level called global level of qualification leads to better performance of the inference system based on all the above six fuzzy parameters for establishing an energy efficient network model. We develop an algorithm to calculate energy across the network if the source and destination is known. We evaluate the cost and benefit of the data fusion, in order to adaptively adjust whether fusion shall be performed for minimizing the total energy consumption when energy efficient node scheduling migrates from a particular node to another node. Simulation results show that EEDS gives the best performance with respect to network life time density and residual energy of the node.

研究动机与目标

• 为解决无线传感器网络（WSNs）在远程监控过程中存在的能量不平衡和网络寿命短的问题。
• 开发一种动态簇头选择机制，以平衡网络中的能量消耗。
• 在全局和局部两级集成模糊逻辑，实现自适应、能量感知的决策。
• 评估数据融合的成本效益，以最小化总能量消耗。
• 通过优化节点调度，延长网络寿命密度并提升剩余能量。

提出的方法

• 设计两级模糊推理系统：全局层面基于六个模糊参数（如剩余能量、到基站的距离）评估簇头选择。
• 局部层面根据节点的即时状态（如当前能量、流量负载）进一步优化决策。
• 开发能量计算算法，以估算源节点与目的节点之间的能量消耗。
• 基于能量成本效益分析，自适应地启用或禁用数据融合，以减少冗余数据传输。
• EEDS模型将调度动态地从高能耗节点迁移至低能耗节点，以延长网络运行时间。
• 通过仿真将EEDS与基线方法进行对比，采用网络寿命和剩余能量等指标进行评估。

实验结果

研究问题

• RQ1 如何优化簇头选择，以在WSNs中平衡能量消耗并延长网络寿命？
• RQ2 在确定能效簇头时，哪些模糊参数最为有效？
• RQ3 自适应数据融合如何影响基于簇的WSNs中的总能量消耗？
• RQ4 与单级或非模糊方法相比，两级模糊逻辑模型在多大程度上提升了网络性能？
• RQ5 动态节点调度在多大程度上影响剩余能量和网络寿命密度？

主要发现

• EEDS通过多参数模糊逻辑优化簇头选择，显著延长了网络寿命。
• 两级模糊模型在节点间实现了比传统方法更优的剩余能量分布。
• 仿真结果证实，EEDS在网络寿命密度方面优于现有方法。
• 自适应数据融合减少了冗余传输，降低了总能量消耗。
• 全局层面的模糊评估通过整合六个关键参数，提升了推理系统性能。
• 所提模型在高能效的远程监控场景中表现出强鲁棒性。