دانلود ترجمه مقاله مدلسازی شبکه های حسگر بی سیم مقاوم در برابر خطا با مدل مارکوف – مجله IEEE
عنوان فارسی مقاله: | مدلسازی شبکه های حسگر بی سیم مقاوم در برابر خطا با مدل مارکوف |
عنوان انگلیسی مقاله: | Markov Modeling of Fault-Tolerant Wireless Sensor Networks |
دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
سال انتشار | 2011 |
تعداد صفحات مقاله انگلیسی | 6 صفحه |
تعداد صفحات ترجمه مقاله | 18 صفحه |
مجله | ارتباطات و شبکه های کامپیوتری |
دانشگاه | فلوریدا کشور آمریکا |
کلمات کلیدی | مقاومت در برابر خطا، قابلیت اعتماد، مدلسازی مارکوف، شبکه های سنسور بی سیم |
نشریه | IEEE |
فهرست مطالب:
چکیده
۱ مقدمه و انگیزه
۲ کارهای وابسته
۳ مدلهای مقاوم در برابر خطا مارکو
۴ نتایج
۵ نتایج و کارهای آتی
بخشی از ترجمه:
۱ مقدمه
شبکه های سنسور بی سیم (WSN) از گره های سنسور مستقل توزیع شده فضایی تشکیل می شوند که با یکدیگر همکاری کرده و یک کار کاربردی را انجام می دهند. گره های سنسور WSN به صورت انبوه تولید شده و اغلب در محیط های نامساعد آرایش یافته اند، این امر باعث می گردد در مقایسه با سیستم های دیگر بیشتر مستعد خرابی ها باشند. به علاوه، بازبینی دستی گره های سنسور معیوب بعد از آرایش به طور نمونه غیر ممکن می باشد. با این حال، بسیاری از برنامه های کاربردی WSN برای ماموریت حساس و بحرانی بوده و نیاز به عملیات پیوسته دارند. بنابراین برای تامین مطمئن نیازمندیهای کاربردی، WSN ها نیازمند مکانیسم های خطایابی و مقاومت در برابر خطا (FT) می باشند.
خطایابی شامل الگوریتم های خطایابی توزیع شده (DFD) می باشد که قرائت های سنسور معیوب را شناسایی و سنسورهای معیوب را نشان می دهند. الگوریتم های DFD به طور نمونه از ترافیک شبکه موجود برای شناسایی خرابی های سنسور استفاده کرده و به همین خاطر متحمل هزینه های حمل و نقل اضافی نمی شوند. صحت الگوریتم خطایابی توانایی الگوریتم برای شناسایی درست خطاها را مشخص می کند. اگرچه خطایابی به جدانمودن سنسورهای معیوب کمک می کند، اما WSN برای انجام وظایف برنامه کاربردی به FT نیاز دارد.
یکی از مهمترین تکنیک های FT اضافه نمودن تکرار سخت افزاری و یا نرم افزاری به سیستم می باشد. اما، WSN ها با سیستم های دیگر تفاوت دارند، زیرا دارای محدودیت های سخت و دقیقی بوده و تکرار اضافه شده برای FT بایستی هزینه اضافی را توجیه و تائید کند. مطالعات انجام شده نشان می دهد که سنسورها ( مثلاً سنسورهای دمایی و رطوبت) در گره سنسور دارای نرخ خطای بالاتری نسبت به سایر قطعات می باشند ( مثلاً پردازنده ها، فرستنده و گیرنده). خوشبختانه، سنسورها ارزان بوده و اضافه شدن سنسورهای یدکی تاثیر کمی بر هزینه گره سنسور می گذارد.
حتی اگر FT رشته پژوهشی درست مطالعه شده باشد، بازهم خطایابی و FT برای WSN ها نسبتاً کم مطالعه شده است. به علاوه، خطایابی و FT برای WSN ها به خاطر تغییر نیازمندیهای FT در میان برنامه های مختلف دارای پیچیدگی های بیشتری هستند. به طور مثال، برنامه های کاربردی ماموریت حساس (مثلاً سیستم های امنیتی و تدافعی) دارای نیازمندیهای قابلیت اعتماد بسیار بالایی هستند، در صورتی که کاربردهای دیگر ( مثلاً برنامه های مانیتورینگ شرایط محیطی) به طور نمونه دارای شرط قابلیت اعتماد نسبتاً پائین می باشند. بر طبق سطح دانش و آگاهی ما، هیچ مدل گره سنسوری وجود ندارد که قابلیت اعتماد بهتری برای چنین کاربردهای بحرانی ارائه دهد. به علاوه، این نوع کاربردها برای فعالیت مطمئن برای دوره زمانی خاص طراحی شده اند( به عبارتی، برنامه های کاربردی WSN دارای شروط خاصی درمورد طول عمر می باشند). متاسفانه، پژوهش مدل ریاضی توانمندی با بینش هایی در رابطه با قابلیت اعتماد و طول عمر WSN ارائه نمی دهد. بالاخره، خطایابی و FT به طور جداگانه مورد مطالعه قرار گرفته و رابطه همکاری در مورد WSN ها مورد پژوهش قرار نگرفته است.
5. نتایج و کارهای آتی
در این مقاله، یک مدل گره سنسور دوپلکس FT براساس مفهوم جدید تعیین ضریب پوشش با استفاده از صحت الگوریتم خطایابی سنسور پیشنهاد کردیم. در اینجا مدل جامع مارکو برای WSN های متشکل از خوشه های گره سنسور برای مقایسه MTTF برای WSN های FT و NFT را ارائه نمودیم. مدل مارکو به مقایسه و ارزیابی MTTF ( و یا قابلیت اعتماد) WSN ها کمک می کند که عنصری حیاتی و مهم در طراحی WSN می باشد با توجه به اینکه برنامه های کاربردی مختلف WSN نیازمند قابلیت اعتماد و MTTF گوناگونی می باشند.
شایان توجه است که صحت الگوریتم خطایابی نقش کلیدی در FT WSN ها ایفا می کند. نتایج بدست آمده نشان داد که مدل دوپلکس گره سنسور FT پیشنهاد شده به طور متوسط می تواند افزایش MTTF 100 درصدی با الگوریتم خطایابی کامل ارائه دهد در صورتی که به خاطر عملکرد ضعیف الگوریتم خطایابی در نرخ بالای خرابی سنسور، افزایش MTTF بین 96 درصدتا 3. 1 درصد متغیر بود. همچنین مشاهده کردیم که تکرار در WSN نقش مهمی در افزایش WSN MTTF ایفا می کند. نتایج بدست آمده نشان داد که فقط سه گره سنسور تکراری در خوشه WSN افزایش 103 درصدی MTTF را به طور متوسط به ارمغان آوردند. همچنین تکرار در خوشه های WSN بر افزایش MTTF تاثیرگذار بوده و نتایج بدست آمده نشان داد که سه خوشه WSN تکراری می توانند MTTF را به طور متوسط به اندازه 52 درصد افزایش دهند. در این راستا مشاهده کردیم که درصد افزایش قابلیت اعتماد برای یک FT WSN با c=1 نسبت به NFT WSN و یک FT WSN با c=1 برای p=0.9 به ترتیب 350 و 236 درصد می باشد.
نتایج بدست آمده انگیزه توسعه و ارائه الگوریتم های خطایابی توزیع شده توانمند را فراهم آورده و نقطه تاکید کار آتی هستند. هدف ما ارائه مدل قابلیت عملکرد WSN برای دستیابی همزمان به عملکرد و دسترس پذیری (و یا قابلیت اعتماد) می باشد. یکی دیگر از اهداف ما پژوهش FT در تجمع داده های سنجش شده (ترکیب) در WSN ها می باشد.
بخشی از مقاله انگلیسی:
I. INTRODUCTION AND MOTIVATION
Wireless sensor networks (WSNs) consist of spatiallydistributed autonomous sensor nodes that collaborate witheach other to perform an application task. WSN sensornodes are typically mass produced and are often deployedin unattended and hostile environments making them moresusceptible to failures than other systems [1]. Additionally,manual inspection of faulty sensor nodes after deployment istypically impractical. Nevertheless, many WSN applicationsare mission-critical, requiring continuous operation. Thus, inorder to meet application requirements reliably, WSNs requirefault detection and fault-tolerance (FT) mechanisms.Fault detection encompasses distributed fault detection(DFD) algorithms which identify faulty sensor readings thatindicate faulty sensors. DFD algorithms typically use existingnetwork traffic to identify sensor failures and thereforedo not incur any additional transmission cost. A faultdetection algorithm’s accuracy signifies the algorithm’s abilityto accurately identify faults. Though fault detection helpsin isolating faulty sensors, WSNs require FT to reliablyaccomplish application tasks.One of the most prominent FT techniques is to add hardwareand/or software redundancy to the system [2]. However,WSNs are different from other systems as they have stringentconstraints and the added redundancy for FT must justify the additional cost. Studies indicate that sensors (e.g., temperatureand humidity sensors) in a sensor node have comparativelyhigher fault rates than other components (e.g., processors,transceivers) [3][4]. Fortunately, sensors are cheap and addingspare sensors contribute little to the individual sensor node’scost.Even though FT is a well studied research field [5][6][7][8],fault detection and FT for WSNs are relatively unstudied.Additionally, fault detection and FT for WSNs have addedcomplexities due to varying FT requirements across differentapplications. For instance, mission critical applications (e.g.,security and defense systems) have very high reliabilityrequirements whereas non-mission critical applications (e.g.,ambient conditions monitoring applications) typically haverelatively low reliability requirements. To the best of ourknowledge there exists no sensor node model to providebetter reliability for such critical applications. Furthermore,applications are designed to operate reliably for a certainperiod of time (i.e., WSN applications typically have specificlifetime requirements). Unfortunately, literature providesno rigorous mathematical model with insights into WSNreliability and lifetime. Finally, fault detection and FT havebeen studied in isolation and their synergistic relationship hasnot been investigated in the context of WSNs. Although general FT is a well-studied research field[5][6][7][8], little work exists in WSN-specific fault detectionand FT. Jiang [9] proposed a DFD scheme that detectedfaulty sensor nodes by exchanging data and mutually testingamong neighboring nodes. Jian-Liang et al. [10] proposeda weighted median fault detection scheme (WMFDS) thatused spatial correlations among the sensor measurements(e.g., temperature, humidity). Lee et al. [11] presented aDFD algorithm that identified faulty sensor nodes based oncomparisons between neighboring sensor nodes’ data. TheDFD algorithm used time redundancy to tolerate transientfaults in sensing and communication. Khilar et al. [12]proposed a probabilistic approach to diagnose intermittentfaults in WSNs. The simulation results indicated that theaccuracy of the DFD algorithm increased as the numberof diagnostic rounds increased (each round comprised ofexchanging measurements with the neighboring nodes).
عنوان فارسی مقاله: | مدلسازی شبکه های حسگر بی سیم مقاوم در برابر خطا با مدل مارکوف |
عنوان انگلیسی مقاله: | Markov Modeling of Fault-Tolerant Wireless Sensor Networks |
خرید ترجمه فارسی مقاله با فرمت ورد
خرید نسخه پاورپوینت این مقاله جهت ارائه