الگوریتم ژنتیک برای خوشه بندی و مسیریابی مقرون به صرفه از لحاظ انرژی در شبکه های سنسور بی سیم

Genetic Algorithm for Energy-Efficient Clustering and Routing in Wireless Sensor Networks

چکیده
1- مقدمه
2- کار مرتبط
2-1 WSNها با CHهای موقت
2-2 WSNها با CHهای دائمی
3- مدل شبکه و اصطلاحات
3-1 توپولوژی شبکه
3-2 مدل انرژی
3-3 اصطلاح شناسی
4- مقدمات
4-1 مرور اجمالی بر GA
4-2 فرمولاسیون مسئله
5- الگوریتم پیشنهاد شده
5-1 نمایندگی کروموزوم
5-2 راه اندازی (مقداردهی) جمعیت
5-4 تقاطع و جهش
6- نتایج تجربی
6-1 تنظیمات پارامتری
6-2 مقایسه وزن λ
6-3 ساختار خوشه بندی و مسیریابی
6-4 تعادل بار
6-5 چرخه عمر شبکه
6-6 مصرف انرژی
6-7 نتایج تجربی در OMNeT ++
7- نتایج

چکیده
شبکه های حسگر بی سیم به طور گسترده ای در زمینه های مختلف از جمله نظامی، مراقبت های بهداشتی و کاربردهای ساخت و تولید به کار گرفته شده اند. با این حال، گره های حسگر از نظر تامین انرژی، توانمندی ذخیره سازی و توان محاسباتی خود محدود هستند. بنابراین، به منظور بهبود بهره وری (مقرون به صرفگی) انرژی و طویل شدن چرخه عمر شبکه، یک رویکرد خوشه بندی و مسیریابی مقرون به صرفه از لحاظ انرژی مبتنی بر الگوریتم ژنتیک به نام GECR ارائه می دهیم. ما راه حل بهینه به دست آمده در دور شبکه قبلی را به جمعیت اولیه برای دور کنونی اضافه می کنیم و به این ترتیب کارایی جستجو را بهبود می بخشیم. علاوه بر این، طرح خوشه بندی و مسیریابی در یک کروموزوم تک به منظور محاسبه کل مصرف انرژی ترکیب می شود. ما تابع تناسب را مستقيماً بر اساس مصرف انرژي کلی می سازیم و بدین ترتیب بهره وري انرژي را بهبود مي بخشیم. علاوه بر این، تعادل بار در هنگام ساخت تابع تناسب در نظر گرفته می شود. بنابراین، مصرف انرژی در میان گره ها می تواند متعادل شود. نتایج تجربی نشان داد که GECR بهتر از سایر پنج روش عمل نمود. GECR بهترین تعادل بار را با کمترین واریانس ها در بارها در سرهای خوشه تحت سناریوهای مختلف حاصل نمود. علاوه بر این، GECR, بیشترین بهره وری (مقرون به صرفگی) انرژی را با کمترین انرژی متوسط مصرف شده توسط سرهای خوشه و کمترین انرژی مصرف شده توسط تمام گره ها در برداشت.
1- مقدمه
شبکه های حسگر بی سیم (WSNs), فناوری سنسور، فناوری محاسبات جاسازی شده، فناوری پردازش اطلاعات توزیع شده و فناوری ارتباطات را ادغام می کنند. WSN ها در زمینه های مختلف، از جمله نظامی، دفاع ملی، نظارت بر محیط زیست، مدیریت ترافیک، مراقبت های بهداشتی، تولید و برنامه های پیشگیری از بلایا، به طور گسترده ای مورد استفاده قرار گرفته اند [1]. در یک WSN، گره های حسگر به طور همکارانه, اطلاعات فیزیکی و زیست محیطی را از منطقه تحت پوشش شبکه جمع آوری و پردازش می کنند و اطلاعات را به ناظران ارسال می کنند [2]. یک ناحیه نظارت اغلب نیاز به استقرار تعداد زیادی از گره های حسگر دارد، اما گره های حسگر از لحاظ ظرفیت های محاسباتی، ذخیره سازی و توانایی های ارتباطی خود در کاهش هزینه ها محدود هستند. به عنوان مثال،Micaz [3] که توسط CrossBow توسعه داده شده است، یک نوع نماینده از گره حسگر است که با میکروپروسسور (ریزپردازنده) Atmegal28L، تراشه CC2420، 128 کیلوبایت فلش و 4 کیلوبایت RAM مجهز شده است. گره حسگر با قدرت باتری محدودی تامین می شود و فراهم نمودن ثانویه انرژی برای گره ها دشوار است. بنابراین، پس از مردن بیشتر از یک درصد معینی از گره ها، خرابی شبکه رخ می دهد. بنابراین، کاهش مصرف انرژی گره های حسگر و افزایش چرخه عمر شبکه، چالشی کلیدی برای WSN ها است.
مطالعات قبلی نشان داده اند که مصرف انرژی مورد نیاز برای انتقال 1 بیت, بسیار بیشتر از مصرف انرژی مورد نیاز برای پردازش داده 1 بیتی است [4]. بنابراین، کاهش اندازه داده های ارسال شده یا دریافت شده برای گره های حسگر و بهینه سازی مسیریابی انتقال داده ها بین گره ها می تواند به طور موثر انرژی مصرف شده توسط شبکه را کاهش دهد. الگوریتم خوشه بندی [5], شبکه را به چند خوشه مستقل تقسیم می کند، جایی که هر خوشه شامل یک گره سر خوشه ای (CH) و گره های عضو چند خوشه ای(CM) می باشد. گره CH, مسئول دریافت داده ها از گره های CM است. با استفاده از الگوریتم های جمع آوری داده موثر، CH می تواند داده های بیش از حد یا نادرست را حذف کند، بنابراین مقدار زیادی از داده های جمع آوری شده به مقدار کمی از اطلاعات معنی دار ادغام می شوند. بنابراین، الگوریتم های خوشه بندی کارآمد می توانند ترافیک داده را کاهش داده و توپولوژی را بهینه سازی کنند، و در نتیجه بهره وری انرژی WSN ها را بهبود بخشند.

Abstract

Wireless sensor networks have been employed widely in various fields, including military, health care, and manufacturing applications. However, the sensor nodes are limited in terms of their energy supply, storage capability, and computational power. Thus, in order to improve the energy efficiency and prolong the network life cycle, we present a genetic algorithm-based energy-efficient clustering and routing approach GECR. We add the optimal solution obtained in the previous network round to the initial population for the current round, thereby improving the search efficiency. In addition, the clustering and routing scheme are combined into a single chromosome to calculate the total energy consumption. We construct the fitness function directly based on the total energy consumption thereby improving the energy efficiency. Moreover, load balancing is considered when constructing the fitness function. Thus, the energy consumption among the nodes can be balanced. The experimental results demonstrated that the GECR performed better than other five methods. The GECR achieved the best load balancing with the lowest variances in the loads on the cluster heads under different scenarios. In addition, the GECR was the most energy-efficient with the lowest average energy consumed by the cluster heads and the lowest energy consumed by all the nodes.

1- Introduction

Wireless sensor networks (WSNs) integrate sensor technology, embedded computing technology, distributed information processing technology, and communication technology. WSNs have been employed widely in various fields, including military, national defence, environmental monitoring, traffic management, health care, manufacturing, and disaster prevention applications [1]. In a WSN, the sensor nodes collaboratively collect and process environmental and physical information from the area covered by the network and send the information to observers [2]. A monitoring area often requires the deployment of a large number of sensor nodes, but the sensor nodes are limited in terms of their computational, storage, and communication capacities in order to reduce costs. For instance, Micaz [3] developed by CrossBow is a representative type of sensor node, which is equipped with an Atmegal28L microprocessor, CC2420 chip, 128 KB Flash, and 4 KB RAM. The sensor node is supplied with limited battery power and it is difficult to provide secondary energy to the nodes. Thus, network failure occurs after more than a certain percentage of the nodes die. Therefore, reducing the energy consumption of sensor nodes and prolonging the network life-cycle is the key challenge for WSNs.

Previous studies have shown that the energy consumption required for transferring 1-bit is much more than that for processing 1-bit data [4]. Thus, reducing the transmitted or received data sizes for sensor nodes and optimizing data transmission routing between the nodes can effectively reduce the energy consumed by the network. Clustering algorithms [5] divide the network into multiple independent clusters, where each cluster comprises a cluster head (CH) node and multiple cluster member (CM) nodes. The CH node is responsible for receiving data from the CM nodes. By using effective data aggregation algorithms, the CH can remove redundant or incorrect data so the large amounts of collected data are merged into a small amount of meaningful information. Therefore, efficient clustering algorithms can reduce the data traffic and optimize the topology, thereby improving the energy efficiency of WSNs.

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1885

تهدیدات امنیتی

• ردیابی حمله: مهاجم می تواند اطلاعات مرتبط با یک برچسب مشخص شده را ردیابی کند.
• حمله عدم سرویس دهی (DoS): آن تلاشی برای تخریب تگ ها با داشتن خوانندگان مخرب که آنها را با اطلاعات بیشتر بجای کنترل آنها بارگذاری می کند.

• حمله غیرهمگامی: مهاجم خواننده و تگ را غیرهمگام می کند.

• حمله مرد میانی: این کنترل جریان پیام را می گیرد.
• حمله جعل هویت: مهاجم یک برچسب معتبر را جعل میکند و به عنوان یک برچسب معتبر عمل می کند.
• حمله کلونینگ: مهاجم اعتقاد خواننده را فریب می دهد که داده ها را از برچسب قانونی دریافت می کند.
• حمله افشاء کامل: مهاجم تمام اطلاعات مخفی تگ را به خطر می اندازد.

• استراق سمع: مهاجم در کانال های ارتباطاتی استراق سمع می کند.

• حمله بازپخش: مأمور یا مهاجم، احتمالا به عنوان بخشی از حمله تظاهرگونه توسط جایگزینی بسته، اطلاعات را قطع و دوباره انتقال می دهد.
خدمات امنیتی

• تایید متقابل: ویژگی که هر دو برچسب و سرور به یکدیگر اعتبار می دهند.

• محرمانه بودن: املاک که تمام اطلاعات مخفی به طور ایمن منتقل می شود.

• در دسترس بودن: ویژگی که طرفین مورد تایید همیشه برای برقراری ارتباط در دسترس است.
• امنیت جلو / عقب: ویژگی که مهاجم نمی تواند اطلاعات محرمانه قبلی / فعلی را به خطر بیاندازد حتی اگر اطلاعات محرمانه فعلی / قبلی را به دست آورد.

• مالکیت قابل انتقال: ویژگی که حریم خصوصی صاحبان فعلی و جدید نقض نمی شود زمانی که صاحب فعلی داده های لازم را به صاحب جدید منتقل می کند.
• ناشناس بودن برچسب: ویژگی که مهاجم نمیتواند از طریق گوش دادن به کانال، یک برچسب را پیدا کند.
• قابل ردیابی: صاحب برچسب می تواند با استفاده از اطلاعات حریم خصوصی محل ذخیره شده در برچسب شناسایی شود.

• مکان خصوصی محل: ویژگی که مهاجم نمی تواند در مورد شیء ردیابی از اطلاعات یک برچسب قضاوت کند.
• حریم خصوصی اطلاعات: ویژگی که تنها خواننده قانونی می تواند به اطلاعات ذخیره شده در برچسب دسترسی داشته باشد.

3. بررسی و مقایسه پروتکل های تأییدی
بر خلاف مطالعه و بررسی سو [17] که در آن پروتکل ها با توجه به خدمات ارائه شده و الگوریتم های استفاده شده طبقه بندی شده اند، این بخش، 22 پروتکل تایید شده پیشنهادی اخیرا RFID را با توجه به کلاس خود معرفی می کند؛ برخی از پروتکل ها به طور دقیق مورد بررسی و توضیح قرار می گیرند در حالی که سایر پروتوکل ها در جداول به دلیل فضای محدود ارائه شده اند
ستون اول جدول 1 ، 22 پروتکل را بر اساس کلاس خود فهرست می کند که از تمام پیشرفته شروع می شود و به پروتکل فوق العاده سبک ختم می شود. ستون دوم تابعی را ارائه می دهد كه پروتكل بر آن مبتنی است. ستون سوم ابزار تأییدیه مورد استفاده برای تصدیق را ارائه می دهد.

ستون EPC فهرست می کند که آیا پروتکل سازگار با EPC Gen2 است یا خیر. ستون “در مقایسه با” پروتکل های دیگر را فهرست می کند که پروتکل با آن مقایسه شده است. آخرین ستون دسته پروتکل تاییدی را ارائه می دهد. مقایسه پروتکل ها بر اساس تهدیدات امنیتی و خدمات امنیتی در جدول 2 ارائه شده است در حالی که جدول 3 نام های مقاله مورد بررسی و سال انتشار را همراه با منابع خود ارائه می دهد.
3-1- پروتکل¬های کاملا پیشرفته
دسته کاملا تکامل¬یافته (پیشرفته) [ی پروتکل¬ها] شامل الگوریتم¬های رمزنگاری است که عمدتا به دو گروه الگوریتم¬های متقارن و نامتقارن تقسیم می¬شوند. الگوریتم¬های نامتقارن مبتنی بر رمزنگاری منحنی بیضی¬شکل (ECC)، از جهت سرویس¬ها و میزان امنیتی که ارائه می¬کنند، قوی به حساب می¬آیند. در مقایسه با سیستم شیوه‌ای رمزنگاری به روش کلید عمومی (RSA)، سیستم¬های بر پایه¬ی ECC، کوچکتر (کم حجم¬تر)، سریع¬تر و با مصرف انرژی پایین¬تری هستند. از این رو برای سیستم¬های با محدودیت منابع، الگوریتم¬های مبتنی بر ECC انتخاب بهتری نسبت به الگوریتم RSA هستند. اشاره شده است که سیستم RSA، یک متغیّر مبتنی بر ECC دارد. به همین جهت بسیاری از پروتکل¬های تاییده شده بر پایه¬ی ECC، برای اجرای تگ¬هایی یا برچسب هایی (کدهای برنامه¬نویسی) دارای محدودیت شدید ارائه شده¬اند.
در سال 2006، تویلز و همکاران با استفاده از پروتکل شناسایی Schnorr، یک پروتکل شناسایی RFID برپایه¬ی ECC را ارائه کردند. آنها ادعا کردند که این پروتکل، در مقابل جعل¬سازی تگ مقاوم است. با این حال در سال 2008، لی و همکاران نشان دادند که پروتکل تویلز و همکاران، در برابر ردیابی موقعیت مکانی بی¬دفاع است، تایید متقابل و امنیت پیشرو را تضمین نمی¬کند و در مقیاس¬پذیری با نقصان روبه¬رو است. در سال 2007، باتینا و همکاران، بر مبنای پروتکل احراز هویت اوکاماتو، یک پروتکل شناسایی RFID برپایه¬ی ECC را ارائه و اشاره کردند که طرح پیشنهادی آنان (پروتکل ارائه شده¬ی آنان) می¬تواند در مقابل حملات فعال ایمن باشد. با این حال لی و همکاران اظهار داشتند که این پروتکل از منظر حمله¬ی ردیابی موقعیت مکانی و امینت پیشرو آسیب¬پذیر است و همچنین فاقد مقیاس¬پذیری است. لی و همکاران ادعا کردند که سه مشکل یادشده را مرتفع ساخته¬اند، اما مطالعات منتشرشده در سال 2008 نشان داد که طرح پیشنهادی لی و همکاران، در برابر حملات جعل اطلاعات و ردیابی بی¬دفاع است و احراز تایید متقابل را نیز تأمین نمی¬کند.
در سال 2009، با بازسازی سه مولفه لگاریتم مجزای دارای انحنای بیضی شکل بر اساس دسترسی کنترل شده تصادفی (EC-RAC) [18]؛ طرح های انتقالی شناسه و رمزعبور امن، و تایید هویت سرور با توجه به الزامات سیستم و ویژگی های امنیتی، لی و همکارانش [22] 6 پروتکل مختلف برای حداقل سازی حجم محاسبات مربوط به برچسب ها، ارائه نموده اند.
در سال 2010، لی و همکارانش [23] پروتکل مبنی بر ECC که به مشکلات ردیابی موجود در پروتکل های ارائه شده در [7، 19] اشاره نموده است را معرفی نموده اند. این طرح تنها برچسب مربوط برای شناسایی خواننده را درنظر گرفته و برچسب تایید اعتبار را نادیده گرفته است. در سال 2011، ژانگ و همکارانش [24] پروتکلی تصادفی و کلیدی مبنی بر ECC را معرفی نموده اند که در واقع شکل بهبود و اصلاح یافته از طرح های لی و همکارانش و تولس و همکارانش، می باشد. این پروتکل در برابر برخی از حملات مربوطه ایمن بوده اما همچنان قادر به ارائه تایید متقابل نمی باشد.
در سال 2014، به منظور دستیابی به تایید متقابل، لائو و همکارانش [25] پروتکل ایمن تایید مبنی بر توانایی ECC همراه با پروتکل انتقال شناسه بازبینی شده، را معرفی نموده اند. با این حال، مطالعات [26- 28] چنین نشان داده اند که پیشنهاد لائو و همکارانش دارای نقص های امنیتی و عملکردی ضعیف می باشد. بعدها در همان سال، با بهره گیری از ECC، چوو [29] پروتکلی برای تایید ارائه کرده و چنین اعلام داشته است که این پروتکل پیشنهادی در برابر حملات مختلف، دارای مقاومت می باشد. با این حال، ژانگ و چی [30] چنین نشان داده اند که پروتکل پیشنهادی توسط چوو از منظر ضمیمه نمودن اطلاعات حریم خصوصی و امکان ردیابی رو به عقب و رو به جلو دارای نقوص و مشکلاتی می باشد. سپس در سال 2015، جین و همکارانش [31] پروتکل تایید متقابل برای محیط های درمانی و بهداشتی مبنی بر ECC پیشنهاد نموده و چنین بیان نموده اند که این پروتکل پیشنهادی در برابر حملات مختلف مقاوم بوده و نسبت به طرح های ارائه شده در [27، 28، 30] عملکرد بهتری از خود ارائه می نماید.

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F2161

اهداف اصلی ما پیشنهاد یک چارچوب استفاده از تکنولوژی بلاک چین برای ایجاد یک آرشیو شخصی می باشد که همراه با گواهی است. این آرشیو هویت، دقت و شفافیت را حفظ می کند در حالیکه از حریم خصوصی محافظت می کند. مفتشان دیگر موردنیاز نیستند. فاعل می تواند تصمیم بگیرد که چه چیزی را در اختیار چه کسانی و در چه هنگامی براساس ماهست درخواست قرار دهد. وقتی که یک درخواست بیشتر از یک دستاورد دانشگاهی می-باشد، هرگونه PDAهای همراه با چنین تگ (برچسب)، می توانند قفل شکنی شده و در دسترس قرار گیرند. وقتی که یک درخواست در ارتباط شناسایی هویت باشد، فاعل میتواند PDAهایی همانند بیومتریکها را قفل شکنی کند. مشتری میتواند به PDAها سریعا دسترسی پیدا کند و بر این اساس تصمیم گیری نماید. به علاوه، ابزارها و خدمات ارائه شده توسط PASS می توانند هرگونه پروژه مرتبط با رشد شخصی و جدول زمانی را بسیار آسانتر سازند.
بخش زیر آخرین توسعه مفهوم «اثبات X» را با استفاده تکنولوژی بلاک چین مرور می کند جایی که X می تواند هر چیزی همانند هویت، مالکیت دارایی، معامله خاص، درجه دانشگاهی، اطلاعات پزشکی و دستاوردهای آکادمیک باشد. بخش بعد PASS را بحث خواهد کرد، یک سیستم خدمات آرشیو شخصی که بر اساس آن فاعل می تواند آرشیوهای شخصی به طور زمان مند و دقیق ایجاد کند. آنها به گونه ای گواهی داده شدند که نیازمند اعتبارسنجی در هر بار استفاده نمی باشند. PASS فراگیر می باشد در حالیکه حریم خصوصی را حفظ می کند. آخرین بخش به بحث درباره شانس، چالشها و کاربردهای آینده اختصاص داده شده است.
2- مرور منابع و مراجع
مسائل اصلی ایجاد مصنوعات دیجیتال شخصی (PDAها) عبارتند از فرآیند اعتبارسنجی و قابلیت اعتماد. همانطور به لحاظ آماری در بخش1 نشان داده شد، بیش از 30 درصد کارجویان اطلاعات دیپلم خود را تغییر می دهند. 70 درصد در دستاورد خود اغراق می کنند [1].
تلاشهای متعدد برای ایجاد اعتبار و گواهی در کنار موفقیت دانشگاهی انجام شدند. ایده Open Badge یکی از آنها می باشد. گروه کاری استاندارد برای Open Badgeها همانطور که در وبسایت آن عنوان شده است [2]، مهارتها و دستاوردها را به وسیله ارائه نمادهای بصری همراه با داده های قابل تائید و شواهدی که می توانند در وب به اشتراک گذاشته شوند، مبادله می کنند. Open Badgeها فاعل را برای مدیریت دستاوردهای یادگیری آنها توانمند می سازد. هدف این گروه کاری استانداردسازی بیشتر ملاحظات می باشد که انطباق با آنها، حفاظت از آنها و ایجاد آنها بسیار واضح تر و آسانتر می باشد. آکلیم [3] پلتفرم نشان گذاری دیجیتال براساس استاندارد Open Badge بوده و توسط پیرسون ارائه شده است. آکلیم میلیونها امضاء از سازمانهای مشهور همانند IBM برای دستاوردهای پیشرفت شغلی صادر کرده است که به حرفه ای شدن افراد کمک می کند. یک امضاء صادر شده از طریق آکلیم یک بازنمایی دیجیتال از نتیجه یادگیریف تجربه یا رقابت می باشد. این امضاها میتوانند به صورت آنلاین در یک شیوه ای که آسان و ایمن می باشد، به اشتراک گذاشته شده و تائید شوند. آنها محتوی اطلاعات دقیق می باشند که متون مرتبط درباره چیزی دقیقا حاصل شده است، فراهم می کنند که کدام سازمان دستاورد را شناسایی می کند و چه فردی این شناسایی را به دست اورده است. خدمات ارائه شده شایستگی های مربوط به خود را دارا می باشندو نقص اصلی مدل متمرکز آن می باشد.
آموزش جهانی سونی اعلام می کند که تکنولوژی را با استفاده از بلاک چین برای اشتراک آزاد مهارت دانشگاهی و رکوردهای پیشرفته در سال 2016 توسعه خواهد داد [4]. آنها هدف استفاده از خصوصیات ایمن بلاک چین برای تحقق انتقال رمزگذاری شده داده ها همانند اطلاعات مهارتی دانشگاهی فرد و سنجشهای پیشرفت بین دو نهاد معین دارند. جریان کار حقیقی هنوز در حال مشاهده می باشد و نیازمند آزمایش است.
سیستم ID یک مسئله طولانی مدت می باشد. W3 هفت الزام عمومی برای خدمات مدیریت هویت جهانی شناسایی می کند [9]: قابلیت حمل و قابلیت همکاری، قابلیت بسط و توسعه، حریم خصوصی و امنیت مذاکره شده، مسئولیت پذیری، قدرت ثبت توزیع شده، قدرت گواهی توزیع شده و قدرت مدیریت مستقل. چنین سرویسی باید از شناساگرهای منحصر به فرد جهانی در یک فرمت تبادل مشترک استفاده کنند، نگاشت قابل بسط برای این شناساگرها از دیگر شناساگرهای استفاده شده معمول و از یک پروتکل مشترک برای اثبات و احراز هویت یک هویت جهانی استفاده کنند. این باید تعریف واژگان جهانی و نیز تعریف واژگان محلی توزیع شده را پشتیبانی کند. این نیازمند پشتیبانی ناشناسی و نام مستعار برای حفاظت حریم خصوصی می باشد. بنابراین، ناشناسی و ناشناسی دروغین (نام مستعار) برای حفاظت حریم خصوصی تحت صلاحیت حریم خصوصی و امنیت می باشد.
سیستم ID باید هردوی مدلهای ثبت سلسله مراتبی و همتا به همتا (یا نظیر به نظیر) را پشتیبانی کند. نهاد مدریت کننده باید به صورت یک سازمان ناسود آور بین المللی تعیین شود بنابراین در تمام جوانب به لحاظ دولتی، صنعتی و فروش بی طرف می باشد. این سازمان باید هردوی استانداردهای فنی و عملیاتی برای خدمات را برآورده کند از آنجایی که این دو مورد به طور نزدیکی آمیخته به یکدیگر می باشند. این سازمان باید توسعه واژه جهانی برای ویژگیهای هویت عمومی و ساختارهای کنترل پروتکل جهانی را مدیریت کند. این سازمان باید قوانین مسئولیت پذیری را برای تمام عوامل از جمله نهادهای ثبت و صدور گواهی برآورده کند. این سازمان باید به عنوان یک نهاد بنیادی غیرنسبی برای ثبت سلسله مراتبی یا مدلهای صدور گواهی عمل کند.
OpenID با اتصال OpenID [6 تا 11] برای تعریف و توسعه یک استاندارد باز و پروتکل احراز هویت غیرمتمرکز می باشد. این مورد نهادهای متکی (RP) برای اعتبارسنجی هویت کاربر نهایی براساس احراز هویت انجام شده توسط ارائه کننده OpenID (OP) یا سرور احراز هویت و نیز برای دستیابی به اطلاعات پروفیال بنیادین درباره کاربر نهایی در یک شیوه متقابل و همانند REST توانمند می سازد. با انجام احراز هویت کاربران از طریق یک سرویس شخص ثالث، این مورد نیاز برای وب مسترها جهت ارائه سیستم های ادهاک خود آنها و هویت و پسورد مجزا حذف می کند.
در حالیکه OAuth سرویس احراز هویت شخص ثالث را توانمند می سازد، هنوز از نظر ارائه کننده OpenID متمرکز می باشد. و کاربران باید اطلاعات خصوصی بسیاری را در دسترس قرار دهند تا احراز هویت شوند. این همچنین دارای یک نقطه شکست مجزا می باشد. به علاوه، این همچنین برخلاف ماهیت اینترنت می باشد که نهاد مرکزی مجزا می باشد که کنترل را انجام می دهد، چه کسی میتواند چه چیزی را انجام دهد.
اطلاعات خاص بیومتریک متعدد میتوانند برای شناسایی انسان با دقت بسیار بالا استفاده شوند [8، 32، 33]. این به خصوص در اپلیکیشنهای رسانه اجتماعی مفید می باشد که در آن کاربر میتواند ناشناس باشد اما نیاز است تا به صورت یک انسان حقیقی به جای یک دسته از باتهای اجتماعی استامپ (برچسب) شود. بنابراین، نتایج همانند احساسات یا نظرسنجی از اپلیکیشن رسانه اجتماعی میتوانند شرایط حقیقی را بیان کنند و توسط باتهای اجتماعی دچار سردرگمی نشوند.
برخی اپلیکیشنهای وب همانند taskstream (جریان مسئولیت) یک پلتفرمی را برای کاربر جهت ایجاد نمونه های شخصی فراهم می کنند. این میتواند پیشرفت در پروژه های خاص را ردیابی کند و بازتاب موضوعات خاص را ثبت کند. این اپلیکیشنها میتوانند به عنوان یک شیوه ای برای نشان دادن اثر رشد شخصی عمل کنند که میتواند منشاء مهارتهای خاص را فراهم کند.

مقاله انگلیسی رایگان (PDF)

دانلود رایگان مقاله انگلیسی 

ترجمه فارسی رایگان (PDF)

دانلود رایگان ترجمه مقاله 

خرید ترجمه با فرمت ورد

خرید ترجمه مقاله با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1. مقدمه
استاندارد IEEE 802.11s برای شبکه مش بی سیم (WMN) است که از روتر های و مشتریان مش تشکیل شده است [1[ . روترهای مش، نقاط دسترسی ثابت هستند که ترافیک را از مسیرهای مختلف به گره دروازه ای پخش می کند که به صورت چندتایی متصل به اینترنت است، [2[. سناریوهای ارتباط چند منظوره نیازی به یک سیستم کنترل متمرکز ندارند. گره های خارج از محدوده بسته ها را با استفاده از گره های متوسط انتقال می دهد. بنابراین، قدرت انتقال و در نتیجه اثر تداخل می تواند کاهش یابد. استاندارد IEEE 802.11s تقریبا از کلیه خواص پروتکل های IEEE 802.11 استفاده می کند. در پروتکل های IEEE 802.11a 12 کانال مجزا وجود دارد. تداخل ایجاد می شود در صورتی که رادیوهای اطراف در همان کانال کار کنند، که منجر به تراکم در لینک های منطقی می شود. ماهیت تراکم در MR-MC WMN متفاوت با شبکه سیمی است. ظرفیت یک گره بی سیم به شدت به انتقال بین گره های اطراف بستگی دارد. کانال های فرکانس محدود هستند؛ بنابراین، رادیوهای اطراف ممکن است در همان کانال ارتباط برقرار کند که باعث تداخل می شود. تداخل در یک گره نزدیک به میزان زیادی بر ظرفیت شبکه تاثیر می گذارد؛ بنابراین، منجر به تراکم شبکه می شود. طرح اختصاص کانال موثر(CA) برای بهینه سازی عملکرد شبکه لازم است [3] [4]، [5].
در طول روند CA، شبکه دستخوش پدیده سوئیچ کانال می شود. سوئیچینگ از یک کانال به یک دیگر باعث تغییر پردازش ها می شود، نیاز به هماهنگ سازی زمان دقیق دارد و مقدار قابل توجهی از تاخیر سوئیچ را ایجاد می کند.
پروتکل IEEE 802.11 زمان سوئیچ کانال فیزیکی را به عنوان 224μs بیان می کند [6[. تاخیر واقعی اضافه کردن زمان تغییر سوئیچ کانال فیزیکی، زمان پیکربندی مجدد تنظیم سخت افزار و زمان پردازش بسته های لایه MACاست.

در این مقاله، مفهوم الگوریتم Dijkstra جهت جلوگیری از پیوندهای پرشده و کاهش تاخیر سوئیچینگ کانال استفاده می شود. ما یک تکنیک مسیریابی معرفی کردیم که براساس میزان نمره متراکم شده است. در این رابطه، زمانی که پیوند متراکم می شود، گره دستخوش یک روش تغییر سوئیچ می شود. الگوریتم پیشنهادی اطلاعات احتمالی را به شکل یک جدول ذخیره می کند. سپس، این اطلاعات تراکم با کاربرد الگوریتم Dijkstra برای اختصاص یک میزان نمره مثبت و ایجاد صف پیوند استفاده می شود. ترافیک براساس رتبه بندی پیوند روت شده است.
WMN محبوبیت زیادی به دست آورد، زیرا می تواند سطح پوشش شبکه را با هزینه و پیچیدگی کمتر افزایش دهد. CA یک منطقه تحقیقاتی فعال برای افزایش ظرفیت و عملکرد شبکه بطور موثر با استفاده از طیف فرکانس می باشد.

پروتکل IEEE 802.11 تعداد کمی از کانال های فرکانس قائم را فراهم می کند، بنابراین برخی از رادیوهای اطراف ممکن است در همان باند فرکانس کار کنند. در سیستم MR-MC، تخصیص کانال ها به رادیو ها با حفظ دخالت و تراکم در حداقل سطح بسیار چالش برانگیز است. با این حال، در طول CA؛ شبکه با یک تاخیر سوئیچینگ کانال و پردازش ها مواجه است که عملکرد کل شبکه را تحت تاثیر قرار می دهد. اختصاص چندین کانال به تعداد گره ها بدون افزایش تاخیر ناشی از سوئیچینگ کانال، یک چالش کلیدی در WMN است. این به ما انگیزه می دهد تا اهمیت رویکرد CA را برای افزایش عملکرد شبکه با اجتناب از پیوندهای پرجاذبه و استفاده از تکنیک مسیریابی کارآمد، برجسته کنیم.
در این مقاله، یک راه حل موثر جهت استفاده از روش انتخاب کانال ارائه می دهیم که بر اساس اطلاعات جدول متراکم است. همچنین، تأکید ویژه ای بر ارائه الگوریتم مناسب جهت کاهش هزینه های زیاد و تخریب عملکرد ناشی از سوئیچینگ پیوسته و پیچیدگی محاسباتی است. به طور خاص، مفهوم الگوریتم Dijkstra جهت استفاده از تابع چند مسیری با اجتناب از پیوندهای ضعیف مورد استفاده قرار گرفته است. علاوه بر این، تنظیم شبیه سازی برای انجام تجزیه و تحلیل مشخص شده است.
بقیه این مقاله به شرح زیر سازماندهی شده است. بخش دوم، کار مربوط به تکنیک های اختصاص کانال در MC-MR WMN را فراهم می کند. مدل سیستم و بیانیه مشکل در بخش سوم ارائه شده است. بخش چهارم، توضیح مختصری از تخصیص کانال در WMN و پروتکل پیشنهادی را توضیح می دهد. بخش V ارزیابی عملکرد و نتایج شبیه سازی همراه با بخش آخر VI که مقاله را نتیجه گیری می کند، شرح می دهد.
2. کارهای مرتبط
تحقیق CA در WMN مبتنی بر روش متمرکز یا توزیع شده است. گره مرکزی مسئول تصمیم گیری CA است و حفظ تمام توابع در یک رویکرد متمرکز را کنترل می کند. به طور مشابه، در یک طرح توزیع شده، هر گره مسئول تخصیص کانال به گره های مربوطه است. تعدادی از رویکردهای CA وجود دارد که پیشنهاد شده است تا توان شبکه را افزایش دهد [7[. برای مسیریابی بهتر، رانی والا و همکاران [8] پروتکل کانال بارگذاری آگاهانه (LA-CA) متمرکز شده را پیشنهاد کردند که توزیع بار را در هر لینک مجازی توازن می دهد تا از هرگونه تنگنا در شبکه جلوگیری کند.
کانال را به گونه ای تنظیم می کند که بار در لینک کمتر از ظرفیت آن باشد. رانی والا و چیوه [9] یک طرح توزیع شده به نام Hyacinth را پیشنهاد دادند، که در آن هر گره، کارت رابط شبکه (NIC) را به UP-NICs و DOWN-NIC تقسیم می کند. CA تنها در DOWN-NICs انجام می شود. این طرح از یک الگوریتم بار – آگاه استفاده می کند که تنها کمترین کانال مورد استفاده را در محله بدون ایجاد اثرات موج شکن و نوسان کانال اختصاص می دهد. کودیالام و نانداگوپال [10] دو طرح مرکزی به نام تعادل کانال استاتیک اختصاصی (BSCA) و بسته کانال پویای اختصاصی (PDCA) را پیشنهاد دادند. BSCA اسلات زمانی را برای هر پیوند اختصاص می دهد که از یک کانال خاص استفاده می کند. کانال هایی که به هر پیوند اختصاص داده می شوند ثابت هستند و نمی توانند تا اسلات زمانی بعدی تغییر کند. به طور مشابه، PDCA تخصیص کانال لینک را انجام می دهد و به هر لینک اجازه می دهد تا کانال در اسلات زمانی تغییر دهد. لین و همکاران [11] همچنین یک طرح متمرکز پیشنهاد می دهند که براساس الگوریتم ژنتیک (GA) است. رادیوها و کانال ها به عنوان یک ساختار داده ای مانند کروموزوم ارائه می شوند. هر کروموزوم یک مقدار تناسب با استفاده از تکنیک انتخاب چرخ رولت تعیین می شود . آ. حامد و همکاران [12]یک طرح برای بهینه سازی CA پیشنهاد دادند و مشکل کنترل تراکم، الگوریتم کانال اختصاصی آگاه متراکم توزیع شده (DCACA) نامیده می شود . در این طرح، کانال ها بر مبنای اندازه گیری تراکم در هر بار شکاف زمانی در یک روش توزیع شده تعیین می شوند. مکرام و گونز [13] کانال اختصاصی خوشه مرکزی (CCA) را معرفی کردند. محمد و همکاران [14] شیوه کاهش تداخل را با استفاده از الگوریتم جستجو بهبود گرادیان (IGSA) پیشنهاد دادند.
لینک طرح زمان بندی در CA توسط اندرو و همکاران ارائه شده است [15] . این طرح از رویکرد متمرکز استفاده می کند و WMN در تعدادی از زیر شبکه ها با استفاده از تئوری ثبات و متروید پارتیشن بندی می کند. به طور مشابه، آلیچری و همکاران.[16] همچنین یک طرح مرکزی برای CA مشترک ، مسیریابی و لینک مسائل زمانبندی پیشنهاد می دهند که RCL نامیده می شود. برخی از طرح های دیگر در جای دیگر برای حل مشکل CA در WMNs ،[17] [18]، [19]، [20]، [21]، و [22] بحث شده است.

بخشی از مقاله انگلیسی:

I. INTRODUCTION

IEEE 802.11s standard is for Wireless Mesh Network (WMN) which is made up of mesh routers and mesh clients [1]. The mesh routers are the stationary access points which propagate the traffic from various routes to the gateway node that is connected to the internet, in a multi-hop fashion [2]. The multihop communication scenarios do not need a centralized control system. The out of range nodes transmits the packets using intermediate nodes. Therefore, the transmission power and thus interference effect can be reduced. IEEE 802.11s standard utilizes almost all the properties of IEEE 802.11 protocols. There are 12 non-overlapping channels in IEEE 802.11a protocols. An interference is produced if the nearby radios are operating on the same channel which results in congestion in the logical links. The nature of the congestion in MR-MC WMN is different to that in a wired network. The capacity of a wireless node highly depends on the transmission between its neighbors. The frequency channels are limited; therefore, the nearby radios may communicate on the same channel that causes the interference. This interference from a nearby node highly affects the network capacity; hence, results in network congestion. Efficient Channel Assignment (CA) scheme is needed to optimize the network performance [3] [4] [5]. During CA procedure, network undergoes a channel switching phenomenon. The switching from one channel to another produces switching overheads, needs tight time synchronization and produces a considerable amount of switching delay. IEEE 802.11 protocol states the physical channel switching time as 224µs [6]. The real delay is the addition of physical channel switching time, hardware registers reconfiguration time and MAC layer packets processing time. In this paper, the concept of Dijkstra’s algorithm has been used to avoid the congested links and reduce channel switching delay. We introduced a routing technique which is based on a congested link weighted score. In this regard, when the link becomes congested the node undergoes a channel switching procedure. The proposed algorithm saves the congestion information in the form of a table. Then, this congestion information is used using Dijkstra’s algorithm to assign a nonnegative weighted score and generate link ranks. The traffic is routed based on the link ranks. WMN has gained much popularity because it can increase network coverage area with less cost and complexity. CA is an active research area to increase the network capacity and performance by utilizing the frequency spectrum efficiently. IEEE 802.11 protocol provides a limited number of orthogonal frequency channels, therefore, some nearby radios may operate on the same frequency band. In MR-MC system, assigning the channels to the radios by keeping an interference and congestion to the minimum level is very challenging. However, during CA; network faces a channel switching delay and overheads which affect the overall network performance. Assigning multiple channels to the number of nodes without increasing delay caused by channel switching is a key challenge in WMN. This motivates us to highlight the importance of CA approach for enhancing the network performance by avoiding the congested links and employing efficient routing technique. In this paper, we present an effective solution using the channel selection technique which is based on congestion table information. Also, special emphasis is placed on provisioning appropriate algorithm for alleviating overhead and performance degradation resulting from continuous switching and computational complexity. In particular, the concept of Dijkstra’s algorithm to utilize the multi-path function by avoiding the weak links has been used. Moreover, the simulation setup to conduct the analysis is delineated. MC-MR WMN. The system model and problem statement are given in Section III. Section IV explains the overview of channel assignment in WMN and explains the proposed protocol. Section V describes performance evaluation and simulation results followed by the last section VI that concludes the paper.

II. RELATED WORK CA

research in WMN is based on either centralized or distributed manner. A centralized node is responsible for making CA decision and controls all maintenance functions in a centralized approach. Similarly, in a distributed scheme, each node is responsible for channel allocation to its corresponding nodes. There are a number of CA approaches that have been proposed to increase network goodput [7]. For better routing, Raniwala et al. [8] proposed centralized Load Aware Channel Assignment (LA-CA) protocol which balances the load distribution on each virtual links to avoid any bottleneck in the network. It assigns the channel in such a way that load on the link is less than its capacity. Raniwala and Chiueh [9] proposed a distributed scheme called Hyacinth, in which each node divides the Network Interface Card (NIC) into UP-NICs and DOWN-NICs. CA is done only at DOWN-NICs. This scheme uses a load-aware algorithm which only assigns the least used channel in the neighborhood without causing a ripple effect and channels oscillation. Kodialam and Nandagopal [10] proposed two centralized schemes called Balance Static Channel Assignment (BSCA) and Packing Dynamic Channel Assignment (PDCA). BSCA assign a time slot to each link that uses a particular channel. The channels that are assigned to each link are fixed and cannot be changed until next time slot. Similarly, PDCA performs link channel assignment and allows every link to switch channel in time slots. Lin et al. [11] also proposed a centralized scheme which is based on Genetic Algorithm (GA). The radios and channels are represented as a chromosome-like data structure. Each chromosome is assigned a fitness value using roulette wheel selection technique. A. Hamed et al. [12] proposed a scheme to optimize CA and congestion control problem called Distributed Congestion Aware Channel Assignment (DCACA) algorithm. In this scheme, channels are assigned based on congestion measure at every time slot in a distributed manner. Makram and Gunes [13] introduced the centralized Cluster Channel Assignment (CCA). Mohammad et al. [14] proposed interference reduction approach by using Improved Gravitational Search Algorithm (IGSA). The link scheduling scheme in CA is proposed by Andrew et al. [15] called. The scheme uses a centralized approach and partitions the WMN in a number of subnetworks using stability and matroid theory. Similarly, Alicherry et al. [16] also proposed a centralized scheme for joint CA, routing and link scheduling problem called RCL. Some other schemes are discussed elsewhere to solve the CA problem in WMNs [17], [18], [19], [20], [21], and [22].

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1884

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1. مقدمه
برای بهبود تحرک، قابلیت دسترسی، و کیفیت زندگی، درک این موضوع که چگونه افراد مسافرت می کنند و فعالیت های خودشان را انجام می دهند، تمرکز اصلی برنامه ریزان شهری و حمل ونقل و جغرافیادانان می باشد [1]، [2]، [3]، [4]. در گذشته، این کار با جمع آوری داده های بررسی در نمونه های ساده کوچک و فرکانس های پایین (بعنوان مثال، سازمان های برنامه ریزی مناطق کلان شهر در کشورهای توسعه یافته که یک درصد از سفرهای خانوادگی را یک یا دو بار در یک دهه انجام میدهند) انجام می شد. با تکامل جامعه و نوآوری در فن آوری، شهرها در مقایسه با هر زمان دیگری در جهان متصل بهم متنوع تر و پیچیده تر شده اند. امروزه بیش از نیمی از جمعیت جهان (54 درصد در سال 2014) در مناطق شهری زندگی می کنند، و پیش بینی می شود که تا سال 2050 جمعیت ساکن در شهرها به 2.5 میلیارد نفر برسد [5]. رو ش های مرسوم که عمدتا در حوزه برنامه ریزی- حمل-ونقل کاربرد دارند به منظور وفق دادن و تناسب سازی داده های کوچک و البته پرهزینه ی جمع آوری شده توسعه می یابند، و چالش های فعلی را برآورده نمی سازند. این موضوع برای محققان شهری ضروری است تا به منظور رفع چالش های شهری مانند ازدحام ترافیک، آلودگی محیط زیست و تخریب، و افزایش مصرف انرژی و انتشار گازهای گلخانه ای رویکردهای جدیدی را دنبال کنند. با ظهور فن آوری های سنجش همه جا حاضر، و همچنین ردپای انسان دیجیتال، که اثرات و علائم دیجیتالی است که مردم در زمان تعامل با فضاهای فیزیکی سایبری به جا می گذارند ([6]، [7])، می توان در مقیاس های بدون محدودیت و وسیع همراه با فرکانس بالا و هزینه های پائین هر فعل و انفعالی را ثبت نمود. این فرصت بزرگی را برای تغییر چشم انداز در تئوری تحقیقات شهری برای یک افق جدید به ارمغان می آورد (بعنوان مثال، [8]، [9]، [10]، [11])، و مستلزم فن آوری برای پیوند به داده های عظیم با تئوری شهری است و همچنین نیازمند تفکری است که دانش جدید شهری، به نام محاسبات شهری یا علم نوین شهری را به دست آورد [7]، [12]، [13].
این مقاله کاربرد تحلیل های داده های بزرگ را نشان می دهد که داده های تلفن همراه همه جا حاضر به الگوهای تحرک انسانی قابل تفسیر برنامه ریزان برگردان می شود، سنگاپور (یک ایالت شهری) بعنوان مثال در نظر گرفته می شود. با توسعه خط لوله داده کاوی، توزیعات فضایی الگوهای سفر را توسط ساکنین مناطق مختلف شهر مقدارسنجی می کنیم. هدف نهایی این است که به برنامه ریزان کمک شود تا بطور کارآمدی دانش شهری را از داده های بزرگ به منظور هدف قرار دادن مناطق شهری مخصوص برای زیرساختار آتی و بهبود برنامه ریزی خدمات اشتقاق یا بهره برداری کنند.
بقیه مقاله به شرح زیر است. در بخش 2، منابع حالت هنر در کاوش الگوهای تحرک انسانی از داده های تلفن همراه را بررسی می کنیم. سپس در بخش 3، حوزه مطالعه و داده ها را بررسی می کنیم که شامل سوابق جزئیات تماس (CDR)، سرشماری، و داده های بررسی مسافرت خانوادگی (برای اهداف اعتبارسنجی) است. در بخش 4، روش-های داده کاوی برای استخراج برآوردهای قابل اطمینان از منظر آمار از شبکه های تحرک فردی از داده های CDR را معرفی می کنیم. در بخش 5، اقداماتی را به منظور اندازه گیری و تعیین کمیت توزیع فضایی شبکه های تحرک در شرایط شهری ارائه می کنیم. در نهایت، در بخش 6 درباره پیامدهای برنامه ریزی از یافته ها برای توسعه آتی شهر بحث می کنیم.
2. بررسی منابع هم چنان که اتصال پذیری تلفن همراه مسیر ارتباطات مردم، کار، و بازی را تغییر داده است، از اینرو داده های تلفن همراه به منظور دستیابی به اطلاعات فوری مکانی از محل نگهداری ناشناس کاربران تلفن برای آنالیز الگوهای تحرک آنها استفاده می شود [14]، [15]، [16]. اگرچه چنین داده هایی اغلب در فضا و زمان کمیاب هستند، با اینحال حجم زیاد و دوره مشاهده طولانی از داده های تلفن همراه را می توان به منظور ردیابی ردپای انسانی در مقیاس بی سابقه استفاده کرد [17]، [18]، [19]. بلوندل و همکاران [20] پیشرفت های وسیع اخیرا به دست آمده را توسط مطالعات بر روی موضوعات تحرک انسانی، پارتیشن بندی جغرافیائی، برنامه ریزی شهری، توسعه و امنیت و حفظ حریم خصوصی بررسی می کنند. کالابرس و همکاران [21] مطالعه متمرکزی را بر روی ایده ها و تکنیک ها ارائه می کنند که داده های تلفن همراه را برای سنجش شهری به کار می برد. در این مطالعه، بر استفاده از داده های تلفن همراه متمرکز می شویم تا تحرک انسانی را درک کنیم. اثر قبلی در این جنبه الگوئی از بازده ترجیحی برای موقعیت های بازدید شده قبلی و کاوش اماکن جید بعنوان یک مشخصه کلی و جهانی را نشان می-دهد [18]، [22]، [23]، [24]. بر اساس این مشخصه، این موضوع محتمل است که موقعیت های فعالیت انسانی معنادار با استفاده از داده های تلفن همراه برآورد شود. CDRها بعنوان داده های قدیمی مسافرت انسانی ایجاد می-شوند که حاوی اطلاعات مکانی و زمانی برای مقاصد فعالیت معنادار است، یا به بیانی دقیق تر داده های GPS است که دقت و فرکانس بالاتری را ارائه می کند [25]. با اینحال، یک تولید جانبی برای اهداف صورتحساب بطور معمول انجام شده توسط حامل های خدمات تلفن همراه، داده های CDR را می توان در در هزینه ای بسیار کمتر و در مقیاسی بزرگتر به دست آورد. CDRها اطلاعات مکانی و زمانی تحرکات کاربران تلفن همراه را در برج سلولی یا سطح دانه ریز، با توجه به فن آوری موقعیت یابی مکانی به کار رفته توسط حامل های خدمات ارائه می کنند. در بخش های زیر، بطور دقیق مطالعات قبلی را بررسی می کنیم که داده های CDR را به منظور استنتاج تحرک انسانی در شهرها استفاده می کند.

بخشی از مقاله انگلیسی:

1 INTRODUCTION

TO improve urban mobility, accessibility, and quality of life, understanding how individuals travel and conduct activities has been the major focus of city and transportation planners and geographers [1], [2], [3], [4]. In the past, this was accomplished by collecting survey data in small sample sizes and low frequencies (e.g., planning agencies of metropolitan areas in the developed countries conduct 1 percent household travel survey once or twice in a decade). With the evolution of society and innovation in technology, cities have become more diverse and complex than ever before in the increasingly interconnected world. Today more than half of the global population (54 percent in 2014) lives in urban areas, and it is projected that additional 2.5 billion urban population will be added by 2050 [5]. The conventional methods widely practiced in the transportation-planning field were developed to suit the expensively collected small data, and cannot meet current challenges. It is urgent for urban researchers to look for new approaches to address urban challenges such as traffic congestion, environmental pollution and degradation, and increasing energy consumption and greenhouse emission. With the rise of the ubiquitous sensing technologies, digital human footprints, which are the digital traces that people leave while interacting with cyber-physical spaces ([6], [7]), can be recorded in unprecedentedly massive scale with high frequency and low costs. It brings great opportunity to change the landscape of urban research to a new horizon (e.g., [8], [9], [10], [11]), and requires innovation to link the massive data with urban theory and thinking to derive new urban knowledge, called as urban computing or new urban science [7], [12], [13]. This paper demonstrates the application of big data analytics that translates ubiquitous mobile phone data into planner interpretable human mobility patterns, with Singapore (a city-state) as an example. By developing a data-mining pipeline, we quantify spatial distributions of travel patterns by residents in different parts of the city. The ultimate goal is to help planners efficiently derive urban knowledge from big data to target specific urban areas for future infrastructure and service planning improvement. The rest of the paper is organized as follows. In Section 2, we review the state-of-the-art literature on mining human mobility patterns from mobile phone data. We then present the study area and data in Section 3, including call detail record (CDR), census, and household travel survey data (for validation purpose). In Section 4, we introduce the data-mining methods to extract statistically reliable estimates of individual mobility networks from CDR data. In Section 5, we present measures to quantify the spatial distribution of mobility networks in the urban context. Finally, we discuss the planning implications of the findings for future urban development in Section 6. 

2 LITERATURE REVIEW

As wireless mobile connectivity has changed the way people communicate, work, and play, mobile phone data can be used to derive the spatiotemporal information of anonymous phone users’ whereabouts for analysis of their mobility patterns [14], [15], [16]. Although such data are often sparse in space and time, the large volume and long observation period of mobile phone data can be used to infer human footprints in unprecedented scale [17], [18], [19]. Blondel et al. [20] review broadly recent progress made by studies on personal mobility, geographical partitioning, urban planning, development and security and privacy issues. Calabrese et al. [21] offer a focused survey on ideas and techniques that apply mobile phone data for urban sensing. In this study, we focus on the use of mobile phone data to understand human mobility. Previous work in this aspect illustrates a pattern of preferential returns to previously visited locations and explorations of new places as a general and universal feature [18], [22], [23], [24]. Based on this feature, it is possible to estimate meaningful human activity locations using mobile phone data. CDRs are not as structured as traditional travel survey data which contains location and time information for meaningful activity destinations, or as precise as GPS data which provides higher frequency and accuracy [25]. However, as a byproduct for billing purposes carried out routinely by mobile service carriers, CDR data can be obtained at a much lower cost and on a greater scale. CDRs can present spatiotemporal information of mobile phone users’ movements at cellular-tower or much finer-grained level, depending on the location positioning technology employed by service carriers. In the following sections, we review in detail on previous studies that use CDR data to derive human mobility in cities.

اضافه بار فناوری اطلاعات و ارتباطات و خستگی خدمات شبکه های اجتماعی: یک دیدگاه استرس وتنش محور

Information and communication technology overload and social networking service fatigue: A stress perspective

چکیده :
در یک محیط ارتباطاتی، کاربران خدمات شبکه های اجتماعی(SNS) بایستی توجه مداوم به حجم زیاد تقاضای اجتماعی حاصل از SNS معطوف کنند. این افزایش ملزومات انرژی منجر به خستگی SNS می شود که به نوبه خود باعث افزایش تنش های روانی و جسمی می شود. با استفاده از نظریه تراکنشی استرس و مقابله به عنوان یک نظریه فراگیر، این مطالعه، اضافه بار( یعنی عوامل تنش زا) را به عنوان یک عامل موثر بر خستگی SNS در نظر گرفته و سه بعد اضافه بار یعنی اضافه بار اطلاعاتی، اضافه بار ارتباطات و اضافه بار ویژگی سیستم را شناسایی می کند. این هم چنین شامل ویژگی های SNS به عنوان عوامل موثر بر اضافه بار می باشد. داده های مورد استفاده در این مطالعه از 201 نفر از طریق نظر سنجی های انلاین و افلاین جمع اوری شدند. نتایج نشان می دهد که همه سه بعد اضافه بار از عوامل تنش زای مهم می باشند که بر خستگی SNS تاثیر می گذارد. در رابطه با شاخص های اضافه بار، اگرچه اطلاعات اثر مثبتی بر روی اضافه بار اطلاعاتی دارد. با این حال، اهمیت اطلاعات یک شاخص مهم سربار اطلاعاتی نیست و ابهام اطلاعات یک شاخص مهم اضافه بار ارتباطی نبود.

1- مقدمه
اطلاعات زیادی در مورد ارزش خدمات شبکه های اجتماعی در منابع آکادمیک نوشته شده است. در واقع،SNS یک کانال جدید را برای خود بیانگری و ارتباط ارایه می کند (جانگ و لی، کیم، 2013، تاکاشی 2010) و موجب ارتقای تاب آوری می شود که این تاب آوری به افراد درسازگاری موفق باتغییرات کمک میکند (کولین، راخیلی، ریچاردسون و تیرد و همکاران 2011). به علاوه خدمات شبکه های اجتماعی موجب بهبودسرمایه اجتماعی نظیرمشارکت مدنی وسیاسی، اعتماد اجتماعی، روابط متقابل، و رضایت از زندگی می شود( والنزولا، پارک و کی 2009). هم چنین خدمات شبکه های اجتماعی مزایای رفاه روانی را برای کاربران به دنبال دارد از جمله افزایش عزت نفس و کیفیت زندگی (الیسون، اشتنینفیلد و لمپ 2007). خدمات شبکه های اجتماعی با الهام از این ارزش ها در زندگی روز مره ها تلفیق شده است (باید 2008).
با این حال اثرات ناخواسته حاصل از سو استفاده از خدمات شبکه های اجتماعی وجود دارند که همیشه مشهود نمی باشند. یک نتیجه و اثر مهم، خستگی SNS است که اشاره به حس کارشناسی و خود ارزیابانه از کاربرد خدمات شبکه های اجتماعی دارد. استفاده گسترده از خدمات شبکه های اجتماعی موجب ایجاد یک دغدغه دایمی شده و منجر به انتظاراتی مبنی بر این می شود که افراد باید به پست های ارسالی سایرین به طور منظم و در زمان معین پاسخ دهند( هیند 1998). برای رفع این انتظارات، افراد بایستی توجه مستمر به خدمات شبکه های اجتماعی خود بکنند و در معرض حجم زیادی از تقاضاهای اجتماعی قرار می گیرد. این افزایش نیاز های انرژی منجر به خستگی خدمات شبکه های اجتماعی می شود که به نوبه خود به تنش های جسمی و روانی منتهی خواهد شد. یک نظر سنجی توسط کارتنر(2011) اثبات کرده است که 31 درصد پاسخگویان نظر سنجی از خدمات شبکه های اجتماعی خسته شده اند و 24 درصد استفاده از خدمات شبکه های اجتماعی را به دلیل خستگی کاهش دادند.
اگرچه خستگی از خدمات شبکه های اجتماعی یک مسئله مهم و بدیهی است، مطالعات اندگی به طور سیستمی به بررسی خستگی از خدمات شبکه های اجتماعی پرداخته اند. در میان معدود مطالعات انجام شده بر روی خستگی از خدمات شبکه های اجتماعی، راویندران، خان، جاون و هلیان(2014) به برررسی عوامل موثر بر( پویایی اجتماعی، محتوا و عوامل مربوط به بستر) و اثرات خستگی از خدمات شبکه های اجتماعی( استراحت،خارج شدن و تعلیق کردن فعالیت های خدمات شبکه های اجتماعی) پرداختند. به علاوه، کوکلار و شهین(2011) به تحلیل این موضوع پرداختند که آیا سطح تنش و استرس کاربر خدمات شبکه های اجتماعی با خستگی ذهنی و علایم جسمی همراه است یا خیر. اگرچه این مطالعات گام های اولیه را برای درک بهتر خستگی خدمات شبکه های اجتماعی برداشتند، تاکید آن ها بر اثر مستقیم ابعاد اجتماعی و فناوری خدمات شبکه های اجتماعی بود با این حال اثر فرایند های روان بر روی خستگی بررسی نشد.
با در نظر گرفتن این که خستگی یک احساس ذهنی و خود ارزیابی از فتور و برایند استرس است، بررسی خستگی ناشی از خدمات شبکه های اجتماعی از دیدگاه استرس و تنش روانی مهم است. در منابع موجود، یک اجماع رو به رشد مبنی بر این وجود دارد که استرس یک فرایند تراکنشی بین فرد و محیط او است( ادواردز 1991، لازاروس 1990). مدل برازش فرد- محیط بیان می دارد که استرس ناشی از عدم تعادل بین تقاضا های محیطی و توانایی ادراک شده فرد برای مقابله با تقاضا ها است (لازاروس و فولکم 1984). به عبارت دیگر، عدم برازش بین تقاضا های محیطی و توانایی های مقابله ای فرد موجب ایجاد اضافه بار هایی می شود که یک شاخص مهم تنش و استرس است( ایکاریف گاور و پورویس 2011). با این حال در منابع و مطالعات موجود مشخص نشده است که عوامل ایجاد اضافه بار در رابطه با استرس ناشی از کاربرد خدمات شبکه های اجتماعی چیست. انواع مختلف اضافه بار ها وجود دارند. از این روی، هدف این مطالعه پاسخ به سوالات زیر است:
سوال تحقیق1: ابعاد اضافه باری که منجر به خستگی خدمات شبکه های اجتماعی می شود کدام ها هستند؟
سوال تحقیق 2: ویژگی های خدمات شبکه های اجتماعی مربوط به هر بعد از اضافه بار کدام است؟
در بررسی این سوالات تحقیق، این مطالعه از مدل برازش P-E و نظریه تراکنشی استرس و مقابله ( لازاروس 1966) به عنوان نظریات مرجع استفاده می کند. نظریات ما عوامل تنش و استرس زا را به عنوان اجزای اساسی فرایند استرس در نظر می گیرند: عوامل استرس زا عواملی محیطی هستند و تنش یک پاسخ رفتاری و روانی فرد به عوامل استرس زا است( کوپر، دیو و ادریسکول 2001). خستگی خدمات شبکه های اجتماعی شکلی از تنش و فشار به صورت برایندی از فرایند استرس است( راگو-ناتان، طرفدار، راگو ناتان و تو 2008). به علاوه، این مطالعه به شناسایی سه عامل اضافه بار به عنوان عوامل استرس زا می پردازد: اضافه بار اطلاعاتی، اضافه بار ارتباطاتی، و اضافه بار ویژگی سیستم. این توصیف می کند که کدام ویژگی های SNS تشکیل دهنده اضافه بار هستند.

Abstract

In an always connected communication environment, users of social networking services (SNSs) need to pay continuous attention to the overwhelming volume of social demands from SNSs. These increased energy requirements may cause SNS fatigue, which can lead to physical and psychological strain. Using the transactional theory of stress and coping as the overarching theory, this study regards overload (i.e., stressors) as a core determinant of SNS fatigue (i.e., strain) and identifies three dimensions of overload – information overload, communication overload, and system feature overload. It also includes SNS characteristics as the antecedents of overload. The data used in this study were collected from 201 individuals through online and offline surveys. Our results show that all three dimensions of overload were significant stressors that influence SNS fatigue. Regarding the predictors of overload, the characteristics of the SNS system significantly influenced the features of system overload, while information equivocality positively influences information overload. However, information relevance was not a significant predictor of information overload and information equivocality was not a significant predictor of communication overload.

1. Introduction

Much has been written about the value of social networking services (SNSs) in the academic literature. Indeed, SNSs provide a new channel for self-expression and connectivity (Jang, Lee, & Kim, 2013; Takahashi, 2010) and promote resilience that helps people successfully adapt to changes (Collin, Rahilly, Richardson, & Third, et al., 2011). Further, SNS users can enhance their social capital such as civic and political participation, social trust, reciprocal relationships, and life satisfaction (Valenzuela, Park, & Kee, 2009). Also, SNSs can provide users with the benefits of psychological wellbeing including improvement in self-esteem and quality of life (Ellison, Steinfield, & Lampe, 2007). Inspired by these values, SNSs have become deeply embedded in our daily lives (Boyd, 2008). However, there can be unintended consequences from SNS overuse that might not always be apparent. One important consequence is SNS fatigue, which refers to a subjective and selfevaluated feeling of tiredness from SNS usage. The widespread use of SNS produces a perpetual obsession and creates expectations that people are obligated to respond to others’ postings in a timely fashion (Hind, 1998). To meet these expectations, people need to pay continuous attention to their SNSs and are exposed to an overwhelming volume of social demands. These increased energy requirements cause SNS fatigue, which can lead to physical and psychological strain. A survey by Gartner Inc. (2011) demonstrated that 31% of survey respondents got tired from SNS and 24% had reduced their SNS usage due to fatigue. Although SNS fatigue is obviously an important issue, scant studies have systematically investigated SNS fatigue. Among the few studies that have been performed on SNS fatigue, Ravindran, Kuan, Chua, and HoeLian (2014) investigated antecedents (e.g., social dynamics, immersion, content, and platform related factors) and consequences of SNS fatigue (e.g., taking a break, cutting back, or suspending SNS activities). In addition, Coklar and Sahin (2011) analyzed whether the stress level of an SNS user is related to mental fatigue and physical symptoms. While these trailblazing studies have made preliminary steps to better understand SNS fatigue, their focus was mainly on the direct impact of social (e.g., social dynamics, power struggles) and/or technological aspects of SNS (e.g., platform characteristics, technology environment) on SNS fatigue, but not on the impact of internal psychological processes causing the fatigue. Considering that fatigue is a subjective, self-evaluated feeling of tiredness and an outcome of stress, it is pertinent to investigate SNS fatigue from a psychological stress perspective. In the current literature, there is a growing consensus that stress is viewed as a transactional process between an individual and her environment (Edwards, 1991; Lazarus, 1990). The personeenvironment (PeE) fit model asserts that stress results from an imbalance between demands placed by the environment and an individual’s perceived ability to cope with the demands (Lazarus & Folkman, 1984). In other words, the misfit between environmental demands and the person’s coping abilities causes overload that is considered an important immediate predictor of strain (Ayyagari, Grover, & Purvis, 2011). However, it is not clear in the extant literature what constitutes “overload” in relation to stress from SNS usage. Further, few studies have looked into SNS characteristics that cause various types of overload. Thus, this study attempts to answer the following unanswered questions: Research Question 1: What are the dimensions of overload that cause SNS fatigue? Research Question 2: What SNS characteristics are related to each dimension of overload? In examining these research questions, this study uses the PeE fit model and the transactional theory of stress and coping (Lazarus, 1966) as reference theories. Our theories view stressors and strain as the core components of the stress process: stressors are environmental demands, and strain is an individual’s behavioral and psychological response to the stressors (Cooper, Dewe, & O’Driscoll, 2001). SNS fatigue is a form of strain as an outcome of the stress process (Ragu-Nathan, Tarafdar, Ragu-Nathan, & Tu, 2008). Further, this study identifies three overload factors as stressors: information overload, communication overload, and system feature overload. It also describes which SNS characteristics are antecedents of the overload.

بررسی سامانه توصیه گر مبتنی بر پالایش مشارکتی برای اپلیکیشن های اینترنت موبایل

A Survey of Collaborative Filtering Based Recommender Systems for Mobile Internet Applications

Abstract

 With the rapid development and application of the mobile Internet, huge amounts of user data are generated and collected every day. How to take full advantages of these ubiquitous data is becoming the essential aspect of a recommender system. Collaborative filtering (CF) has been widely studied and utilized to predict the interests of mobile users and to make proper recommendations. In this paper, we first propose a framework of the CF recommender system based on various user data including user ratings and user behaviors. Key features of these two kinds of data are discussed. Moreover, several typical CF algorithms are classified as memory-based approaches and model-based approaches and compared. Two case studies are presented in an effort to validate the proposed framework.

1 Introduction

cloud computing, massive amounts of data are produced every day by both people and machines. Our society has already entered the era of Big Data [1]. Thanks to the various smart devices and mobile applications, Internet users can acquire all sorts of information about education, shopping, social activity, etc. [2] [3] [4] [5]. However, as the volume of data increases, individuals have to face the problem of excessive information, which makes it more difficult to make the right decisions. This phenomenon is known as information overload [6]. Moreover, limited by the input ability of mobile devices, users are usually unwilling to type in lots of words to describe what they want. Recommender system can alleviate these problems by effectively finding users’ potential requirements and selecting desirable items from a huge amount of candidate information. Recommender systems are usually classified into two categories, i.e., content-based and collaborative filtering (CF) [7].

Content-based recommender system utilizes the contents of items and finds the similarities among them. After analyzing sufficient numbers of items that one user has already shown favor to, the user interests profile is established. Then the recommender system could search the database and choose proper items according to this profile. The difficulty of these algorithms lies in how to find user preferences based on the contents of items. Many approaches have been developed to solve this problem in the areas of data mining or machine learning. For example, in order to recommend some articles to a specific reader, a recommender system firstly obtains all the books this reader has already read and then analyzes their contents. Key words can be extracted from the text with the help of text mining methods, such as the well-known TF-IDF [8]. After integrating all the key words with their respective weights, a book can be represented by a multi-dimensional vector. Specific clustering algorithms can be implemented to find the centers of these vectors which represent the interests of this reader.

On the other hand, collaborative filtering (CF) has become one of the most influential recommendation algorithms [9]. Unlike the content-based approaches, CF only relies on the item ratings from each user. It is based on the assumption that users who have rated the same items with similar ratings are likely to have similar preferences. CF is specifically designed to provide recommendations when detailed information about the users and items is inaccessible. Furthermore, it successfully mitigates the problem of over-specialization [10], which is quite common in content-based systems. Over-specialization is the phenomenon that recommended items are always much the same and the diversity of recommendations is neglected. As CF makes recommendations according to the neighborhood (people with similar preferences), the item one user has consumed may be something new to his neighbors. The above features are particularly attractive which make CF algorithms extensively employed in recommender systems.

However, to the best of our knowledge, very few studies have revealed the common features of the various CF algorithms for mobile Internet applications. In addition, most of the existing surveys merely introduce the principles of CF algorithms, ignoring the importance of case study, which can demonstrate the performances of typical algorithms visually and specifically. Therefore, this paper focuses on collaborative filtering based recommender systems for mobile Internet applications. In particular, main contributions of this paper are highlighted as follows:

• We introduce a general framework of CF recommender system. This framework assists recommender developers to utilize the gathered data and to generate proper recommendations. The features of data collected from both user behaviors and user ratings are also discussed and compared.

• CF algorithms are classified. Main procedures of CF are briefly summarized and introduced.

• Two case studies are presented to validate the proposed framework. Evaluations on representative CF algorithms are conducted based on real-world datasets with detailed analysis and comparison.

The rest of this paper is organized as follows. Section II presents the framework of CF. Both classification and main procedures of typical CF algorithms are introduced in Section III. In Section IV, we conduct two case studies based on realworld datasets in order to analyze the performances of CF algorithms. Finally, Section V concludes this paper.

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1. مقدمه
شبکه های مش بی سیم ( (WMN شبکه های بی سیم چند منظوره با اتصال مش هستند. یک WMN از گره دروازه، روتر مش و مشتریان مش تشکیل شده است. روترهای مش از مش اصلی با تحرک کم و معمولا هر روتر با چند کارت رابط بی سیم مجهز شده است (آکیلدیز و وانگ، 2005؛ پاتک و دوتا2011).
IEEE 802.11 کنترل دسترسی رسانه (MAC) کار گروهی 2003، IEEE 802.11) پروتکل اغلب در WMN ها استفاده می شود که روترها با یک کانال کار می کنند. برای کانال تک، حداکثر میزان داده در لایه MAC برای IEEE IEEE 802.11 ) a / g 802.11 گروه کاری2003) 54Mbps است و عمق واقعی برای لایه کاربردی تقریبا نصف است(رانی والا و چیوه 2005). تداخل گره های مجاور نیز سرعت انتقال را کاهش می دهد.
بنابراین، مشکل افزایش ظرفیت شبکه مهم است. زمانیکه پروتکل لایه فیزیکی a / b / g IEEE 802.11 ، IEEE 802.11) کارگروهی 2003)، چندین کانال عمود را فراهم می کند، کارت های رابط بی سیم روترهای مش می توانند به طور همزمان در چندین کانال ارتقایی عمل کنند که می تواند ظرفیت و عملکرد WMN ها را افزایش دهد.
در WMN های چند کاناله، بار شبکه با تعداد کاربران افزایش می یابد. برخی از روترها، به ویژه روترهای داغ، ممکن است گره ها متراکم شوند و لینک های مرتبط با آنها، لینک های باریک هستند. هنگامی که گره های متراکم وجود دارند، احتمال وقوع تاخیر طولانی مدت و افت بسته ها به طور قابل توجهی افزایش می یابد.
به هر حال، پروتکل های مسیریابی برای WMN ها استفاده می شود، مانند AODV (پرکینز و همکاران، 2003) و HWMP (کیم و همکاران، 2012)، تأثیر گره های گرم را در نظر نگیرید. در زمان شکل گرفتن حالت بارگذاری، آن تا زمان کاهش یا تنظیم مسیرهای جدید، حفظ خواهد شد. بنابراین، چالش عمده ای در طراحی پروتکل مسیریابی در WMN های چند کاناله، بارتوازن شبکه در بین روترها برای جلوگیری از تراکم می باشد.
برای WMNs، مشکل توازن بار را می توان به دروازه تعادل بار و توازن بارگذاری روتر تقسیم کرد (خوان و همکاران 2012، توکیتو و همکاران 2009). با شرایط ترافیکی فعلی، تعادل بار دروازه، روتر های مرتبط با دروازه ها را انتخاب می کند و روترهای (مسیریاب) توازن بار، مسیر را برای جریان انتخاب می کند. اخیرا، محققان مسیریابی توازن-بار را (LBR) برای WMN های چند کاناله پیشنهاد کرده اند (نارایان، 2013؛ لی و همکاران 2009، هی و همکاران، 2012؛ جانگ و همکاران، 2009؛ ولونز و ژو، 2011؛ سینگ و لوبیال، 2012). متریک مسیریابی لایه ای جدید خطی توسط نارایان (2013) با هدف تخمین تداخل، بارگذاری و تأخیر پیوند به صورت موثر برای بهبود عملکرد پیشنهاد می شود.
یک پروتکل LBR برای شبکۀ مش چند رادیویی ) LBM ) )لی و همکاران.، 2009) برای توازن بار ترافیکی بین کانال ها طراحی می شود، که در آن مسیر متریک LBM از بار ترافیکی و تداخل تشکیل می شود. در این مقاله مسئله مجموعه غالب متصل توازن بار ( LBCDS ) بحث می شود (هی و همکاران2012)، که ساخت LBCDS و تخصیص توازن بار مغلوب به غالب به طور همزمان بررسی می شوند. طرح مسیریابی دانگل Anycast مبتنی بر میدان احتمالی توزیع شده (جانگ و همکاران.، 2009) می تواند درتوازن بار بین دروازه ها و گره های مش کمک کند. ولونز و ژو (2011) فرمولبندی مسیریابی قوی نسبت-عملکرد را برای شبکه های چند رادیو، چند کانال توسعه می دهد که از نیازهای ترافیکی قابل پیش بینی در منطقه استفاده می کنند.
سینگ و لوبیال (2012) الگوریتمی را با استفاده از استراتژی برگشت پذیر سازگار برای تحقق توازن بار در میان گره های حسگر و رسیدن به توزیع سر خوشه ای نسبتا یکنواخت درسرتاسر شبکه پیشنهاد دادند. پروتکل مسیریابی پیشنهادی در این مقاله بر اساس توازن بارگذاری روتر است و مسائل را برای به حداقل رساندن اختلاف بار بین روترها بررسی می کند. مدل شبکه برای WMN های چند کاناله با یک دروازه واحد ارائه شده است. بر اساس این مدل، الگوریتم LBR پیشنهاد شده که شامل الگوریتم تخصیص پیوند و الگوریتم انتخاب مسیرتوازن بار می باشد. الگوریتم تخصیص پیوند تمام لینک ها را به کانال ها برای به حداقل رساندن میزان دخالت شبکه اختصاص می دهد. پس از آن، یک الگوریتم انتخاب مسیر توازن-بار برای کاهش اختلاف بار بین روترها پیشنهاد می شود. با استفاده از الگوریتم LBR، جریان جدید مسیر را با تداخل و بار کم انتخاب می کند. بنابراین، بار ترافیک به همان اندازه توزیع شده و عملکرد شبکه بهبود یافته است.
بقیه این مقاله به شرح زیر سازماندهی می شود: در بخش 2، مدل شبکه برای WMN ها ارائه می شود. سپس، الگوریتم تخصیص پیوند در بخش 3 پیشنهاد می شود. در بخش 4، الگوریتم انتخاب مسیر توازن بار پیشنهاد شده است. در بخش 5 نتایج شبیه سازی ارائه و تحلیل می شود. در بخش 6 نتایج اصلی مقاله راخلاصه می کنیم.

بخشی از مقاله انگلیسی:

1 Introduction

Wireless mesh networks (WMNs) are multi-hop wireless networks with mesh connectivity. A WMN is composed of gateway nodes, mesh routers and mesh clients. Mesh routers form the mesh backbone with low mobility and usually each router is equipped with several wireless interface cards (Akyildiz and Wang, 2005; Pathak and Dutta, 2011). The IEEE 802.11 medium access control (MAC) (IEEE 802.11 Working Group, 2003) protocol is often used in WMNs where routers work with one channel. For single channel, the peak data rate at the MAC layer for IEEE 802.11 a/g (IEEE 802.11 Working Group, 2003) is 54Mbps, and the actual throughput for the application layer is almost half (Raniwala and Chiueh, 2005). Interference from adjacent nodes also decreases the transmission rate. Therefore, the problem of increasing network capacity is important. Since the physical layer protocol of IEEE 802.11 a/b/g (IEEE 802.11 Working Group, 2003) provides multiple orthogonal channels, the wireless interface cards of mesh routers can operate in multiple orthogonal channels simultaneously which can increase the capacity and performance of WMNs. In multi-channel WMNs, the network load increases with the number of users. Some routers, especially the ‘hot’ routers, may become the congested node and the links connected with them will become the bottleneck links. When the congested nodes exist, the probability of long time delay and packets loss increase significantly. However, the routing protocols used for WMNs, such as AODV (Perkins et al., 2003) and HWMP (Kim et al., 2012), do not consider the influence of hot nodes. Once the congested state is formed, it will be maintained until the load reduces or the new paths set up. Therefore, a major challenge in the design of routing protocol in multi-channel WMNs is to balance network load between routers to avoid congestions. For WMNs, the problem of load-balancing can be divided into gateway load-balancing and router loadbalancing (Juan et al., 2012; Tokito et a1., 2009). By current traffic conditions, gateway load-balancing chooses routers associated with gateways and router load-balancing chooses the path for flows. Recently, researchers have proposed load-balancing routing (LBR) for multi-channel WMNs (Narayan, 2013; Le et al., 2009; He et al., 2012; Jung et al., 2009; Wellons and Xue, 2011; Singh and Lobiyal, 2012). A new cross layer routing metric proposed in Narayan (2013) aims at estimating the interference, load and delay of a link efficiently to improve the performance. A LBR protocol for multi-radio mesh network (LBM) (Le et al., 2009) is designed to balance traffic load among channels, in which the route metric of LBM is composed of traffic load and interference. The load-balanced connected dominating set (LBCDS) problem is discussed (He et al., 2012), in which constructing an LBCDS and load-balanced allocating dominatees to dominators are investigated simultaneously. A distributed potential-field-based anycast routing scheme (Jung et al., 2009) can aid in balancing load among gateways and mesh nodes. Wellons and Xue (2011) develops a performance-ratio robust routing formulation for multi-radio, multi-channel networks that exploit traffic demands that fall into a predicted region. Singh and Lobiyal (2012) propose an algorithm by using an adaptive back-off strategy to realise load balance among sensor nodes and achieve fairly uniform cluster head distribution across the network. The routing protocol proposed in this paper is based on router load-balancing and addresses the issues to minimise the load difference among routers. The network model for multi-channel WMNs with single gateway is presented. Based on this model, the LBR algorithm is proposed, including a link allocation algorithm and load-balancing route-selection algorithm. The link allocation algorithm allocates all links to channels to minimise network interference degree. After that, a load-balancing routeselection algorithm is proposed to decrease the load difference among routers. Using the LBR algorithm, the new flows will select the route with low interference and low load. Therefore, the traffic load is distributed uniformly as much as possible and the performance of network is improved. The rest of this paper is organised as follows. In Section 2, we present the network model for WMNs. After that, link allocation algorithm is proposed in Section 3. In Section 4, load-balancing route-selection algorithm is proposed. In Section 5, simulation results are presented and analysed. In Section 6, we summarise the main results of the paper.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

• قبل از شروع تحویل جریان IP، PGW یک آدرس IP به هر UE اختصاص می‌دهد. یک جریان IP که به حامل EPS مربوطه نگاشت می‌شود سطح کیفیت سرویس و تحویل به هر UE را از طریق پروتکل سرویس بسته امواج رادیویی (GTP) در نظر می‌گیرد. به‌طورخاص، تونل GTP-U برای ارائه جریان IP به عنوان طرحی برای کاربران به وجود آمده است. پروتکل انتقال UDP / IP است.
• فیلتر جریان IP در PGW و UE برای در دست گرفتن QoS انجام می‌شود. برای downlink، فیلترینگ در PGW انجام شده است و پس از آن هر جریان IP می‌تواند به حامل EPS با سطح کیفیت سرویس یکسان نگاشت شود. برای اتصال بالا، فیلترینگ در UE انجام شده است و پس از آن هر جریان IP می‌تواند به حامل EPS با سطح کیفیت سرویس یکسان نگاشته شود. برای این منظور، یک قانون فیلترینگ بسته توسط PGW پیکربندی شده است. این قانون به‌عنوان الگوی جریان ترافیک (TFT) تعریف شده و به‌طور معمول به استفاده از 5 تایی اشاره دارد (منبع/مقصد آدرس‌های IP، منبع/شماره پورت مقصد و نوع پروتکل).
• به‌عنوان یک نتیجه از فیلتر کردن، هر جریان IP به حامل EPS مربوطه نگاشته می‌شود. یکی از حامل‌های EPS به‌عنوان حامل پیش‌فرض نامیده می‌شود. حامل پیش‌فرض در زمانی که آدرس IP، UE تخصیص داده شده است و آن‌را تا زمانی که آدرس IP، UEمنتشر شده است نگه می‌دارد. دیگر حامل EPS با‌عنوان حامل اختصاص داده شده نامیده می‌شود. حامل اختصاصی آزادانه ایجاد می‌شود و در صورت لزوم توسط MME، به‌عنوان مثال، برنامه‌های کاربردی منتشر می‌شود.
• مسیریابی آگاه کیفیت سرویس از حامل‌های EPS در شبکه‌های اصلی انجام می‌شود. هر حامل EPS توسط مسیریابی مبتنی بر IP به هر قسمت تحویل داده می‌شود. PGW (downlink) و UE (اتصال بالا) سطح کیفیت سرویس هر جریان IP را به نوع خدمات (TOS) در هدر IP تنظیم می‌کند.

B) ساختار لایه 2 LTE-A
شکل 3 ساختار کلی لایه 2 از LTE-A را برای کاربران به تصویر می‌کشد. سه لایه تعریف شده است: لایه پروتکل همگرایی بسته داده (PDCP)، لایه کنترل پیوند رادیو (RLC) و لایه کنترل دسترسی رسانه (MAC). توابع هر لایه به‌طور خلاصه در زیر توضیح داده شده است.
• لایه پروتکل همگرایی بسته داده (PDCP) مسئول فشرده‌سازی هدر است (ROHC: هدر فشرده‌سازی قوی)و امنیت (رمز برای طرح کاربر و حفظ جامعیت برای کنترل طرح).

شکل 3: پشته پروتکل LTE-A کاربر
هدر PDCP به بسته IP های ورودی اضافه شده و سپس به یک واحد پروتکل داده PDCP (PDCP PDU) تبدیل می‌شود. برای DC، یک تابع تقسیم داده‌ها وجود دارد (برای downlink در eNB (MeNB)) و یک تابع مسیریابی (برای اتصال بالا در UE)، که قادر است به‌طور همزمان از دو eNBs استفاده کند. یکی RB در MeNB است که به‌عنوان گروه حامل اصلی (حامل MCG) اشاره شده است، درحالی‌که RB دیگری در ENB ثانویه (SeNB) به‌عنوان حامل تقسیم و یا گروه حامل ثانویه (حامل SCG) اشاره دارد. برای هر حامل تقسیم، MeNB می‌تواند تصمیم بگیرید که اگر حامل تنها توسط یکی از eNBs فرستاده می‌شود یا از طریق هر دو eNBs ارسال می‌شود. برای هر حامل تقسیم، تابع کنترل جریان بین MeNB و SeNB به صورت اختیاری در X2 است، که در آن بازخورد نشان‌دهنده‌ی بالاترین SN PDCP با اطلاع از SeNB به MeNB با موفقیت تحویل داده شده است. برای اطمینان از تحویل دنباله، مرتب‌سازی مجدد PDCP PDU در سمت دریافت‌کننده مشخص شده است.
• لایه کنترل پیوند رادیو (RLC) یک لایه سازگار برای انتقال بسته فرستاده شده برروی رابط‌های رادیویی است. اندازه بسته بر اساس آخرین کیفیت کانال بی‌سیم با تقسیم‌بندی و الحاق بسته تنظیم می‌شود. درخواست پاسخ با تکرار اتوماتیک (ARQ) می‌تواند زمانی انجام شود که بسته به دلیل خطاهای انتقال بر روی رادیو با موفقیت منتقل نمی‌شود. بسته به کانال منطقی (LCH) نگاشت می‌شود.
• کنترل دسترسی رسانه (MAC) دسترسی رادیویی بسته را کنترل می‌کند. زمان‌بندی بسته با توجه QoS و کیفیت شبکه‌های بی‌سیم انجام می‌شود. ترکیب ARQ (HARQ) باید زمانی‌که بسته به دلیل خطاهای انتقال بر روی رادیو با موفقیت منتقل نمی‌شود، انجام شود. سمت ارسال کننده، شناسه منطقی کانال (LCID) به واحد خدمات داده MAC (MAC SDU) اضافه می‌کند و MAC PDU مربوط به طرف گیرنده را می‌فرستد. سمت دریافت کننده، در نهایت RB را دوباره به حامل EPS براساس LCID دریافت شده نگاشت می‌کند.

3. چالش تجمع LTE-WLAN
ساختار لایه 2 از تجمع LTE-WLAN باید براساس ساختار لایه 2 شرح داده شده در شکل 3 باشد. سپس، چالش‌ها به شکل زیر از طرف فرستنده و یا دریافت کننده توصیف می‌شود.
چالش 1: در سمت فرستنده، رمزگذاری به حامل EPS اعمال می‌شود. بنابراین، WLAN MAC قادر به شناسایی سطح کیفیت سرویس حامل EPS از PDCP PDU رمزنگاری شده نیست، معنی این نوع خدمات (TOS) در هدر IP رمزنگاری است. IEEE802.11e یکی از انواع WLAN ها برای حمایت از QoS است، که در آن جریان IP به چهار سطح دسترسی دسته‌بندی می‌شود (AC) [13]. اولویت IP /DSCP (نقطه‌ی تمایز کد خدمات) در هدر IP، و یا اولویت درست در تگ‌های مجازی LAN(VLAN) مورد استفاده قرار می‌گیرد. بنابراین، اگر هدر IP رمزنگاری شده باشد، WLAN MAC نمی‌تواند به کیفیت سرویس از حامل EPS دست یابد.
چالش 2: در سمت گیرنده، هیچ LCID به WLAN PDU دریافت شده توسط WLAN اضافه نشده است. بنابراین گیرنده نمی‌تواند RB مربوطه و WLAN PDU ارائه شده‌ی مربوط به حامل EPS را شناسایی نماید. برای downlink، سمت گیرنده، UE است و آن گره مقصد است. آیا UE فقط ارائه داده ها به لایه کاربرد دریافت کرده است. بنابراین، ممکن است هیچ مشکلی بدون شناسایی حاملان EPS وجود نداشته باشد. بااین‌حال، از نقطه نظر پروتکل، PDCP نقطه پایانی پروتکل ارائه‌دهندگان رادیویی است، به‌طوری‌که بهتر است، نگاشت از حامل AC به EPS دوباره اجرا شود. برای اتصال بالا، سمت گیرنده ENB است اما مقصد نیست. بنابراین، eNB باید، نگاشت مجددی از حامل AC به EPS انجام دهد و سپس هر حامل EPS به شبکه‌های اصلی در تونل GTP فرستاده شود تا هر حامل EPS شرکت کند. بنابراین، یک روش نگاشت مجدد از حامل AC به EPS بدون نیاز به LCID مورد نیاز است.