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.

یک مدیریت و جایگذاری منبع جامع برای مجازی سازی عملکرد شبکه

A Comprehensive Resource Management and Placement for Network Function Virtualization

Abstract

Abstract: Network service providers have to cope with the growing on-demand need from end-users as well as the diversity of usage. The softwerization and cloudification of the network components offer an interesting solution to achieve the agility necessary to dynamically match the requirement with the level of resource consumption. This materializes with the deployment of Network Functions Virtualization (NFV) where Virtual Network Functions (VNFs) may be chained together to create network services. This paper explores important design and architectural issues related to this approach. We study the resource allocation problem in an NFV system for minimizing its cost under constraints on interconnectivity among VNFs, system resources, and service requirements. We formalize the problem in a comprehensive manner taking into account a broad set of relevant parameters. The static (offline) and dynamic (online) cases are considered. We propose and analyze three heuristic algorithms: two for handling large dimensions of the offline problem and one designed to address the online scenario. The evaluation shows that our solutions outperform the state of the art [1] with respect to critical performance index. Finally, we focus on the online scenario, evaluate the impact of migrating a set of running demands, and propose a simple migration technique.

1 Introduction

Softwerization of network components is a candidate to provide the agility requested by the increasing on-demand need of customers as well as the ability to gently match those needs with the resource consumption. This trend is achieved by using a cloud approach where virtualization techniques are intensively exploited. Although this trend is prevalent, it is still necessary to better understand the right level of abstraction and hence performance that will be made possible with this approach. NFV relying upon virtualization techniques should support network operators to meet the growing customer requirements while controlling capital and operational expenditures.

In order to enable such an agile solution, a network service can be decomposed into an ordered sequence of VNFs (Virtual Network Functions), which can run on several standard physical nodes. Therefore, the resources allocated to a VNF instance will impact the capacity and performance of the network service as a whole. This raises important issues related to NFV deployment such as: 1) How and where to locate and chain VNFs? 2) How to distribute resources to VNFs? and 3) What is the cost of NFV deployment in a network? Such problems are different from the VM placement optimization in cloud computing as VNFs are associated with a single network service. In this paper, we consider a joint problem of VNFs allocation upon service requests from users and routing paths for chaining them. We develop a comprehensive solution addressing the static and dynamic scenario, when taking into account the execution order of VNFs in a service demand with regard to resource constraints for nodes and links.

The major contributions of this paper are as follows:

• We formulate the optimization problem of VNF placement as a quadratic program (QP) solving multiple objectives including optimal service location and optimal routing among VNF instances of a network service, under both resource and traffic cost constraints, simultaneously optimizing the acceptance ratio of new demands. Both the static and dynamic problems are considered.

• We propose three efficient heuristics for large dimensions of the problem within an acceptable computation time.

• We evaluate our proposed solutions in various scenarios and compare it against the ProvisionTraffic (PT) algorithm [1] that illustrates the state of the art, as well as a Random Algorithm.

• We provide a cost comparison between a network relying on NFV and a network that does not use NFV and discuss some architectural implications.

• We also propose a simple migration technique for the dynamic problem.

The result provides guidelines for the percentage of traffic to be migrated in order to achieve the best gain. The rest of this paper is organized as follows. Section II reviews the related work. In Section III, we model the NFV system under study and formalize the NFV placement problem. We present our solutions in Section IV. In Section V, we validate the algorithms and discuss the results. Section VI concludes the paper.

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1888

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

1) ویژگی‌هایVANET مربوط به توپولوژی شبکه و حالت ارتباطات:
• شبکه بی‌کران و مقیاس‌پذیر: VANET را می‌توان در یک یا چند شهر و حتی برای کشورها پیاده‌سازی کرد. بنابراین نیاز به همکاری و مدیریت برای برآوردن نیازمندی‌های امنیتی دارد.
• ارتباطات بی‌سیم: اتصال گره‌ها و تبادل اطلاعات بین آن‌ها، از طریق کانال‌های بی‌سیم انجام می‌شود. بنابراین نیاز به ارتباطات امن دارد.
• تحرک بالا و تغییر سریع توپولوژی شبکه: گره‌ها در حال حرکت با سرعت بالا / تصادفی هستند که پیش‌بینی موقعیت و توپولوژی شبکه را مشکل می‌کند. بنابراین افزایش حریم خصوصی موجب عدم قطع ارتباط، نوسانات و دستکاری می‌شود. که فاقد حیاتی نسبتا طولانی (به‌عنوان مثال، رمز عبور) است که برای ارتباطات امن وسایل نقلیه غیرعملی است. تحت این محدودیت‌ها، تاخیر انتشار هشدار باید مهم شمرده شود. عملکرد خوب تاخیر با استفاده از رمزنگاری سریع الگوریتم یا با تصدیق موجودیت و تحویل پیام در زمان مورد نیاز است. برای این کار، اولویت‌بندی پکیج داده و روش ازدحام از اهمیت بالاتری برخوردار است؛ داده‌های مربوط به ایمنی ترافیک و بهره‌وری باید سریع ‌تر از موارد دیگر باشد.
• علاوه بر قابلیت اعتماد، حمل و نقل بین لایه‌های شبکه برای پشتیبانی از زمان واقعی و برنامه‌های کاربردی چندرسانه‌ای پیشنهاد شده است.
2) ویژگی‌هاVANET مربوط به وسایل نقلیه و رانندگان:
• قدرت پردازش بالا و انرژی کافی: گره‌های VANET هیچ مسئله‌ای با منابع انرژی و محاسبات ندارند. آنها انرژی خود را در قالب باتری و قدرت پردازش بالا برای اجرای محاسبات پیچیده رمزنگاری دارند.
• حفاظت بهتر فیزیکی: گره‌های VANET از نظر فیزیکی بهتر محافظت می‌شوند. که این مسئله مقایسه به لحاظ فیزیکی را دچار مشکل می‌کند. بنابراین تاثیر حملات زیرساخت را کاهش می‌دهد.
• زمان شناخته شده و موقعیت: بسیاری از وسایل نقلیه مجهز به GPS هستند چرا که بسیاری از برنامه‌های کاربردی بر موقعیت جغرافیایی و یا منطقه تکیه دارند. GPS برای محلی‌سازی و محافظت امن از محل گره در برابر حملات استفاده می‌شود.
• اکثریت شرکت‌کنندگان صادق هستند: فرض می‌شود اکثر رانندگان برای یافتن تهدید خوب و مفید عمل می‌کنند.
• زیرساخت‌های اجرایی قانون: از طریق مأموران اجرای قانون، آنها می‌توانند تهدید وارد بر سیستم را شناسایی و مورد حمله قرار دهند.
• ثبت مرکزی با تعمیر و نگهداری دوره‌ای و بازرسی: وسایل نقلیه با قدرت مرکزی ثبت می‌شوند و شناسه منحصر به فرد (پلاک) دارند. تعمیر و نگهداری دوره‌ای وسایل نقلیه برای به روز رسانی سیستم عامل و نرم‌افزار است. در PKC (رمزنگاری کلید عمومی)، تعمیر و نگهداری برای به روز رسانی گواهینامه‌ها، کلیدها و به‌دست آوردن CRL جدید (لیست ابطال گواهی) است.
به‌طورخلاصه، شبکه وسایل نقلیه، تعامل بین رفتار رانندگان و همکاری توسط آنان در شبکه است. کاوش در یک راه‌حل امنیتی باید تمام موارد مرتبط را بیابد. پس از ارائه ویژگی‌های VANET، جزئیات چالش‌های امنیتی و محدودیت‌های VANET در بخش بعدی بررسی خواهد شد.

2.2 چالش‌های امنیتی و محدودیت‌های VANET
در VANET، امنیت باید تضمین کننده‌ی پیام‌های اضافه شده و یا اصلاح شده توسط مهاجمان باشد. همچنین، قابلیت اعتماد رانندگان برای اطلاع محیط ترافیک در درون محدودیت زمانی ضروری است. چالش‌های امنیتی منحصر به فرد به‌دلیل ویژگی‌های متمایز VANET افزایش می‌یابد. بدرفتاری این چالش‌های امنیتی منجر به بسیاری از محدودیت‌ها می‌شود. برخی از این چالش‌های امنیتی در زیر بیان شده است:
• اندازه شبکه، ارتباط جغرافیایی، تحرک بالا و توپولوژی پویا، مدت اتصال کوتاه، قطع فرکانس‌های کم‌حجم [1،2]: اندازه شبکه می‌تواند از لحاظ جغرافیایی بیکران و بسیار مقیاس‌پذیر و بنا به نفوذ استانداردهای لازم برای آن در حال رشد باشد.
• تایید اطلاعات با قابلیت اعتماد: اعتماد به‌عنوان طبیعت VANET برای ایجاد انگیزه و جمع‌آوری اطلاعات از سایر وسایل نقلیه و RSUs لازم است [7]. از این رو این تبادل اطلاعات تکراری است و باید قابل اعتماد و یکپارچگی آن مورد تأیید باشد. قابلیت اعتماد اطلاعات بیشتر از تایید توسط گره‌های انتقال مفید است [2].
• توزیع کلید: مکانیزم‌های امنیتی بر روی کلید، به توزیع مهم آنها بستگی دارد.
• الگوریتم حمل‌ونقل: چالش مربوط به تعداد بسته‌های منتقل شده و یافتن بهترین مسیر است. که ارتباط تک پخشی، پخش فراگیر، V2V، V2I یا ترکیبی است.
در حالی که برای محدودیت VANET و یا نیازمندی‌ها [1]، می‌توانیم موارد زیر را بیان کنیم:
• کنترل برخورد و ازدحام: توجه به اندازه شبکه محصور شده ضروری است.
• تحمل کم به هنگام وقوع خطا: برخی از پروتکل‌ها براساس احتمالات است و هر گونه خطایی می‌تواند بر زندگی مردم تأثیر گذارد.
• تاثیر محیطی: موانع موجب انتشار امواج مغناطیسی[1] می‌شود.
• تجزیه و تحلیل خطر و مدیریت: گاهی اوقات می‌توانیم راه‌حل حملات را پیدا کنیم اما پیدا کردن مدل‌ها بنا به رفتار مهاجمان هنوز غیرمعلوم است.
• Anonymity، حفظ حریم خصوصی و مسئولیت: گره‌های مسئول دریافت داده‌ها نیاز به اعتماد به فرستنده دارند. حفظ حریم خصوصی، هویت خودرو ناشناس را تضمین می‌کند. گاهی اوقات گره‌های تصدیق شده می‌توانند مسائل مالی داشته باشند. بنابراین، یک راه‌حل تجاری برای حفظ حریم خصوصی و مسئولیت موردنیاز است.
اگر سرویس‌های امنیتی ارائه شده در بخش بعدی را بهتر مدیریت کنیم این چالش‌های امنیتی و محدودیت‌ها را می‌توان به حداقل رساند.

2.3 نیازمندی‌های امنیتی (خدمات)
سرویس‌های امنیتی موجب افزایش امنیت پردازش‌ها و تبادل اطلاعات در VANET می‌شود. نیازمندی‌های امنیتی عبارتند از:
• احراز هویت: تضمین می‌کند که این پیام توسط یک کاربر قانونی با استفاده از گواهی تولید می‌شود. یا گیرنده، فرستنده پیام را از طریق یک نام مستعار شناسایی می‌کند [8].
• دردسترس بودن: با مقاومت در برابر حملات داس (انکار سرویس)، از عملکرد طبیعی اطمینان حاصل می‌کنیم. زیرا تاخیر چند ثانیه‌ای باعث می‌شود پیام بی‌معنی گردد [4].
• محرمانه: شامل مجموعه‌ای از قوانین است که موجب محدودیت‌ دسترسی به منابع خاص می‌شود. این مسئله با استفاده از رمزگذاری و یا تبادل پیام ویژه بین OBUs و RSUs به‌عنوان نوعی تأیید اطلاعات انجام می‌گیرد [9].
• انکارناپذیری: فرستنده نمی‌تواند ارسال یک پیام را انکار کند. بنابراین می‌تواند پس از آسیب به دستگاه بازیابی(TPD) شود [4].
• صداقت: بدون تغییر برای داده. امضای دیجیتال برای پیام و تمامیت داده‌ها [3،10] استفاده می‌شود.
• حریم خصوصی و Anonymity: مخفی کردن هویت کاربر در برابر گره‌های غیرمجاز با استفاده از کلید موقت و ناشناس. بنابراین حریم خصوصی محل باید حفظ شود.
• بررسی داده: برای از بین بردن پیام‌های نادرست است. تایید انسجام داده‌ها با پیام‌های مشابه برای تشخیص صحت داده‌ها استفاده می‌شود، به خصوص در بین وسایل نقلیه همسایه.
• کنترل دسترسی: تمام گره‌ها با توجه به قوانین عمل می‌کنند [11].
• قابلیت ردیابی و انفصال: هویت واقعی خودرو باید از دیگران پنهان شود، بنابراین باید یک جزء با توانایی به‌دست آوردن هویت واقعی وسایل نقلیه برای لغو استفاده از آنها در آینده وجود داشته باشد.
• تشخیص خطا: برای تشخیص خرابکاری و انتقال نادرست.
• شناسایی مسئولیت: مسئولیت‌ شناسایی کاربر به هنگام ارتباطات. پیام‌ها می‌توانند برای شناسایی کاربران مورد استفاده قرار گیرند.
• انعطاف‌پذیری و بهره‌وری: انعطاف‌پذیری در امنیت معماری و طراحی سیستم قابل توجه است. هر چند که برای استفاده ایمن از ترافیک ضروری است و نیاز به زمان و پهنای باند کمتری دارد. این مسئله در راندمان کانال و در تاخیر کم ناشی از آن بسیار مهم است.
پس از تعریف و تجزیه و تحلیل نیازمندی‌های امنیتی، آنها را در جدول 1 براساس نیاز آنها در ارتباطات VANET، برای V2V، V2I یا هر دو نشان دادیم. برای حالت ارتباطات VANET، پیش‌نیازهای آن برای خدمات امنیتی را تعریف می‌کنیم.

3. مدل مهاجم
استقرار یک سیستم امنیتی برای VANET یک مسئله چالش‌برانگیز است. در واقع، طبیعت بسیار پویا با قطع مکرر ارتباط، ورود و خروج آنی وسایل نقلیه، استفاده از کانال‌های بی‌سیم برای پیام‌های اضطراری و ایمنی، VANET را در معرض تهدیدها و حملات مختلف قرار می‌دهد. در این بخش حملات را طبقه‌بندی می‌کنیم، مهاجمان و تجزیه و تحلیل حالت‌های ارتباطی VANET را تحت تاثیر قرار می‌دهد.

3.1 حملات
بسیاری از محققان در [2،3،5،7،9،10،23] حملات در VANETs را بررسی کردند. طبقه‌بندی این حملات مفید است زیرا ماهیت VANET آسیب‌پذیری‌ها و محدودیت‌هایی دارد که نیاز به راه‌حل دارد. با تقسیم، می‌توانیم بهتر کنترل کنیم.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

گرچه BSN ها به عنوان یک شاخه تحقیقاتی از WSN ها نشات گرفته اند و با توجه به شباهت های ذاتی آنها، بین این شبکه ها تفاوت های زیادی وجود دارد [84].WSN ها معمولا بر اساس تعداد گره ها و به وضوح محدوده جغرافیایی، مقیاس بزرگتری دارند. اما WSN ها می توانند از گره های بیش از حد استفاده کنند بنابراین استحکام فردی اغلب یک اولویت نیست، در حالی که به دلیل نگرانی بالا از پوشیدگی و راحتی کاربر، BSN ها باید از حداقل تعداد گره ها استفاده کنند، هر کدام تضمین از دقت بالا و قابلیت اطمینان دارند. به همین دلیل، گره های BSN از لحاظ ابعاد فیزیکی، وزن، سازگاری با محیط زیست و ارگونومی بسیار مورد توجه است. در مقابل، از لحاظ ذخیره انرژی، از آنجا که باتری های گره های BSN معمولا می توانند ریشارژ شوند یا جایگزین کردن آنها خیلی اسان است، تقارن (trade-off) بین الزامات به سمت دقت می رود، در حالی که WSN ها دارای محدودیت های کم (انرژی)قدرت هستند. علاوه بر این، برنامه های کاربردی BSN معمولا نیاز به نمونه برداری بالایی از حسگرها ، میزان انتقال داده ها و نظارت مستمر دارند. در نهایت، اکثریت قریب به اتفاق BSN ها توپولوژی شبکه ستاره را در نظر می گیرند، در حالی که WSN ها به طور ذاتی چند اکتیو هستند.
به طور معمول، برنامه های کاربردی BSN یک محاسبات توزیع شده را انجام می دهند که پاسخ ها را تجزیه و تحلیل و تلفیق می کنند و داده ها را به یک هاب محلی (به عنوان مثال یک گوشی هوشمند) برای احتمالا پردازش بیشتر می پردازند. هاب محلی می تواند نتایج نهایی را به یک سرور پشتی برای تصمیم گیری بالینی و مداخلات ارسال کند. هر گره حسگر در یک BSN یک سری از وظایف محاسباتی را بر روی سیگنال های فیزیولوژیک جمع آوری شده به ترتیب برای استخراج اطلاعات جزئی در مورد کاربر انجام می دهد [85]. وضعیت کلی کاربر، توسط پردازش توزیع شده و مشترک از این داده ها تعیین می شود.
وظایف اصلی پردازش بر روی داده های سنسور BSN انجام شده ممکن است شامل نمونه گیری داده ها، تقسیم فیلترینگ، استخراج ویژگی ها و طبقه بندی باشد. مثال هایی از تکنیک های نمونه گیری داده ها عبارتند از نرخ ثابت، نرخ متغیر، نمونه گیری تطبیقی، حساسیت فشرده، و تنظیم bit-resolution حسگر [86،87] سطح پیچیدگی الگوریتم فیلترینگ بستگی به کاربرد مورد نظر و نوع و کیفیت خواندن سنسورها دارد [88-90]. الگوریتم های تقسیم بندی جریان داده های پیوسته را به فواصل زمانی گسسته از نوع انتظار توسط مرحله پردازش اطلاعات تقسیم می کند [15،91،92]. هر قطعه یک بردار چند بعدی (ویژگی) از آن استخراج شده است که برای طبقه بندی استفاده می شود [11،93]. الگوریتم های به طور گسترده ای مورد استفاده برای طبقه بندی و تشخیص رویداد عبارتند از: k) (k-NN) نزدیکترین همسایه)، ماشین های بردار پشتیبان (SVM)، مدل های پنهان مارکوف (HMM)، شبکه عصبی (NN)، طبقه بندی درخت تصمیم، Logistic Regression و Naive Bayesian approach [94-99] .

2.2 انگیزه ها برای تلفیق داده های چند سنسور درBSN ها
همانطور که در هر سیستم اندازه گیری، BSN ها متکی به یک تک سنسور و یا بر روی چند سنسور هستند که به صورت جداگانه در نظر گرفته می شوند، از محدودیت ها و مسائل متعددی رنج می برند مانند [100]:
• محرومیت حسگر: خرابی یک حسگر باعث از دست دادن ادراک (اگاهی) بر روی پارامتر فیزیکی مورد نظر می شود.
• پوشش فضایی محدود: یک سنسور پوشیدنی فردی اغلب مکان بدن محدود را پوشش می دهد. به عنوان مثال، یک شتاب سنج که در بازوی چپ جا داده شده است، نمی تواند حرکات مخالف را اندازه گیری کند.
• عدم دقت: اندازه گیری از سنسورهای فردی محدود به دقت آن واحدهای خاص است.
• عدم قطعیت: زمانی رخ می دهد که ویژگی ها از بین رفته باشند، زمانی که یک سنسور تنها نمی تواند تمام ویژگی های مربوط به پدیده / رویداد را اندازه گیری کند یا زمانی که مشاهدات مبهم است [101]. با توجه به مسائل مربوط به پوشش فضایی محدود، سیستم های تک حسگر نمی توانند به طور موثری عدم قطعیت را کاهش دهند.
یک راه حل موثر برای مسائل فوق، با تلفیق چند حسگر نشان داده شده است. در واقع، استفاده از سنسورهای چندگانه (ناهمگن یا همگن) همراه با تکنیک های تلفیق داده، مزایای متعددی را ارائه می دهد، مانند موارد زیر [102،103]:
• نسبت سیگنال به نویز بهبود یافته: تلفیق جریانهای داده چندین سنسور باعث کاهش اثرات نویز می شود.
• کاهش ابهام و عدم قطعیت: استفاده از داده ها از منابع متعدد عدم قطعیت خروجی را کاهش می دهد.
• افزایش اعتماد به نفس: سنسورهای منحصر به فرد(تکی) اغلب برای اماده کردن اطلاعات قابل اعتماد کافی نیستند؛ تلفیق داده های چند سنسور دوباره به کمک می آید.
• بالا بردن استحکام و قابلیت اطمینان: استفاده از سنسورهای همگن چندگانه، افزونگی را فراهم می کند که باعث بالا بردن تحمل خطا سیستم حتی در صورت خرابی سنسور می شود.
• استحکام در برابر تداخل: افزایش ابعاد فضای اندازه گیری (به عنوان مثال اندازه گیری ضربان قلب با استفاده از هر دو سنسور الکتروکاردیوگرام (ECG) و (photoplethysmogram (PPG) به طور قابل توجهی افزایش استحکام در برابر تداخل های محیطی را دارد.
• بهبود وضوح، دقت و تبعیض فرضیه: هنگامی که چندین اندازه گیری مستقل از یک ویژگی / صفت مشابه با هم تلفیق می شوند، دقت(وضوح) مقدار نتیجه بالاتر از آنچه که می تواند با استفاده از یک حسگر به دست آید هست.
• یکپارچه سازی ویژگی های مستقل و دانش پیشین: برای درک بهتر جنبه های خاص دامنه برنامه کاربردی هدف و بهبود کارایی در برابر تداخل منابع داده.
انگیزه بیشتر برای تلفیق سنسور، کاهش پیچیدگی منطق برنامه کاربردی است. در سیستم های مرسوم، اندازه گیری های حسگر بدون نیاز به پردازش اولیه یا به طور سنتی پیش پردازش شده به طور مستقیم به برنامه کاربردی دسترسی پیدا میکند، که باید با جریان های داده نادرست، مبهم و ناقص مقابله شود. در مقابل، پیش پردازش تلفیق حسگر اجازه می دهد تا ورودی برنامه کاربردی را استاندارد سازی کند، بنابراین رشد، نگهداری و توسعه پذیری برنامه کاربردی ساده می شود [104]. در واقع، حرکت (بخشی از) منطق پیش پردازش به یک سطح پایین تر از برنامه کاربردی (به طور معمول، در داخل یا بر روی سطحی از سطح میان افزار، همانطور که در شکل 1 نشان داده شده است) هم مقرون به صرفه است (به عنوان مثال از لحاظ صرفه جویی در وقت / تلاش توسعه، از آنجا که توسعه دهنده برنامه کاربردی نیازی به پیاده سازی منطق پیش پردازش ندارد، بلکه با آن از طریق API ها مقابله می کند) و اغلب کارآمدتر (زیرا منطق پیش پردازش تلفیق می تواند بهتر از آنچه که توسط یک برنامه نویس معمولی انجام می شود بهینه شود). این “جدایی نگرانیها”، علاوه بر این، رویکردی است که از مدولاسیون نرم افزاری و به همین ترتیب قابلیت نگهداری حمایت می کند.

شکل 1: لایه بندی معمولی یک سیستم BSN.

3. استراتژی های تلفیق سنسور در BSN ها
همانطور که در بخش های قبلی مورد بحث قرار گرفته است، سیستم BSN نیاز به عهده برامدن با منابع مختلف اطلاعات در سطوح مختلف دارد. با توجه به مساله خاص و راه حل های متناظر، رویکردهای مختلف تلفیق سنسور اتخاذ می شوند. هدف از این بخش، رسم یک طبقه بندی از انواع مختلف تلفیق سنسور است و به بحث در مورد ویژگی های آنها و استفاده از آنها در برنامه های کاربردی عملی می پردازد.
مستقل از سطح انتزاع، تلفیق سنسور می تواند در رقابتی (competitive)، مکمل (complementary)و مشترک (cooperative)گروه بندی شود [105]. تلفیق رقابتی به معنای استفاده از منبع معادل چندگانه از اطلاعات است و برای به دست آوردن افزونگی و خود درجه بندی استفاده می شود. در سیستم BSN، هر چند، در عمل بسیار غیر معمول است چه حتی زمانی که سنسورهای معادل چندگانه استفاده می شود، آنها معمولا در مکان های مختلف در بدن انسان قرار می گیرند و از این رو هر کدام می توانند عملا اطلاعات مکمل را ارائه دهند. در تلفیق مکمل، در واقع هر سنسور جنبه های مختلف پدیده های تحت کنترل را می گیرد و برای بهبود دقت و قابلیت اطمینان سیستم استفاده می شود. اطلاعات سطح بالا توسط تجزیه و تحلیل مشترک از سیگنال های مکمل به دست آمده است. در نهایت، تلفیق مشترک زمانی که سیگنال های سنسور چندگانه مورد نیاز، برای به دست آوردن اطلاعات که با نگاه کردن به هر یک از این سیگنال ها به طور مستقل نمی تواند به دست اورد، به بازی می اید. همانطور که در زیر بخش های ذیل نشان داده شده است، در حوزه BSN تلفیق مشترک رایج ترین شکل تلفیق سنسور است.
از لحاظ انتزاع سطح پردازش اطلاعات، تلفیق چند سنسور معمولا به سه دسته اصلی تقسیم می شود: تلفیق سطح داده، تلفیق سطح ویژگی و تلفیق سطح تصمیم [106]، [107]. در [108]، سلسله مراتب تلفیق سه سطح ( داده-ویژگی-تصمیم) را به پنج حالت وابسته به I / O فرآیند تلفیق گسترش داد. در زیر یک مجموعه از قراردادها، مدل تلفیق با ماهیت اجزای ورودی مشخص شده است، یعنی، تلفیق گروه خاصی ازموجودیت ها، در حالی که تحت دیگری، مدل تلفیق با ماهیت خروجی مشخص می شود. در این مقاله، ما بر روشی سه گانه شناخته شده (سطح داده، ویژگی و تصمیم) بر اساس سطح پردازش تمرکز خواهیم کرد.
جداول 1 و 2 به ترتیب برخی از ویژگی ها و تکنیک های مربوطه را نشان می دهند. در زیر، ما در مورد هر گروه در جداول جداگانه بحث می کنیم.
بسته به سطح پردازش، روشهای تلفیقی متمرکز، توزیع شده و ترکیبی ممکن است. رویکرد متمرکز متکی بر یک مرکز تلفیقی است که در آن پردازش انجام می شود، در حالی که در رویکرد توزیع شده هر سنسور پردازش مستقل را براساس داده های خود انجام می دهد و نتایج را به یک گره فیوژن انتقال می دهد که در آن تجزیه و تحلیل سراسری در نهایت انجام می شود. تلفیق داده ترکیبی هم پیشنهاد شده است؛ در این مورد، جمع آوری داده ها و پیش پردازش معمولا با یک روش توزیع شده انجام می شود در حالی که یک گره مرکزی هنوز مسئول جمع آوری داده های بدست امده از منابع توزیع شده و برای انجام محاسبات در سطح تصمیم است.

HACH: الگوریتم اکتشافی برای خوشه بندی پروتکل سلسله مراتبی در شبکه حسگر بی سیم

HACH: Heuristic Algorithm for Clustering Hierarchy protocol in wireless sensor networks

Abstract

Wireless sensor networks (WSNs) require energy management protocols to efficiently use the energy supply constraints of battery-powered sensors to prolong its network lifetime. This paper proposes a novel Heuristic Algorithm for Clustering Hierarchy (HACH), which sequentially performs selection of inactive nodes and cluster head nodes at every round. Inactive node selection employs a stochastic sleep scheduling mechanism to determine the selection of nodes that can be put into sleep mode without adversely affecting network coverage. Also, the clustering algorithm uses a novel heuristic crossover operator to combine two different solutions to achieve an improved solution that enhances the distribution of cluster head nodes and coordinates energy consumption in WSNs. The proposed algorithm is evaluated via simulation experiments and compared with some existing algorithms. Our protocol shows improved performance in terms of extended lifetime and maintains favourable performances even under different energy heterogeneity settings.

1 Introduction

Recent progress in wireless communications and microelectronics have contributed to the development of sensor nodes that are agile, autonomous, self-aware and self-configurable. These sensor nodes are densely deployed throughout a spatial region in order to sense particular event or abnormal environmental conditions such as moisture, motion, heat, smoke, pressure, etc. in the form of data [1]. These sensors, when in large numbers, can be networked and deployed in remote and hostile environments enabling sustained wireless sensor network (WSN) connectivity. Hitherto WSNs have been used in many military and civil applications, for example, in target field imaging, event detection, weather monitoring, tactile and security observation scenarios [2]. Nevertheless, sensor node distribution and network longevity are constrained by energy supply and bandwidth requirements. These noted constraints mixed with the common deployment of large numbers of sensor nodes must be considered when a WSN network topology is to be deployed. The design of energy efficient scheme is a major challenge especially in the domain of routing, which is one of the key functions of the WSNs [3]. Therefore, inventive techniques which reduce or eliminate energy inadequacies that would normally shorten the lifetime of the network are necessary. In this paper, the authors present a method which balances energy consumption among sensor nodes to prolong WSN lifetime. Energy resourcefulness is uniquely obtained using two described mechanisms; firstly, cluster head (CH) selection using a generic algorithm (GA) is employed that ensures appropriately distributed nodes with higher energies will be selected as CHs. Secondly, a Boltzmann inspired selection mechanism was utilized to select nodes to send into sleep mode without causing an adverse effect on the coverage.

The commonest routing protocols deployed to address the challenges discussed above are generally categorised into two classes, namely flat and hierarchical. Flat protocols comprise the well-known Direct Transmission (DT) and Minimum Transmission Energy (MTE), which do not provide balanced sensor energy distributions in a WSN. The disadvantage of the MTE is that a remote sensor normally employs a relay sensor when transmitting data to/from the sink and this results in the relay sensor being the first node to die. In the DT protocol, the sink communicates directly with sensors and this results in the death of the remote sensor first. Consequently when creating WSNs, energy-efficient clustering protocols act as a pivotal factor for sensor lifetime extension. Generally, clustering protocols can perform better than flat protocols in terms of balancing energy consumption and network lifetime prolongation by employing data aggregation mechanisms [4,5]. In WSNs, there are three types of nodes considered: the cluster-head (CH), member node (MN) and sink node (SN). The member node manages sensing of the raw data and utilizes Time Domain Multiple Access (TDMA) scheduling to send the raw data to the CH. The CH must aggregate data received fromMNs and forward the aggregated data to the SN through single-hop or multi-hop. CH selection can be carried out by the sensors individually, by the SN or can be pre-implemented by the wireless network designer. Here, CH selection is performed by the SN due to the fact that the SN has sufficient energy and can perform multifaceted calculations. The problem of CH selection can be considered as an optimization issue where the methods have employed GA to solve. Here the authors define an objective function that evaluates the discrete solution and propose an innovative heuristic crossover which is enhanced by the knowledge of our problem.

In this paper, we present a new Heuristic Algorithm for Clustering Hierarchy (HACH) protocol that simultaneously performs sleeping scheduling and clustering of sensor nodes upon each round. For sleep scheduling operation, the authors have developed the stochastic selection of inactive nodes (SSIN). A protocol that imitates the Boltzmann selection process in GA was used to decrease the number of active nodes in each round by putting some nodes to sleep or into inactive mode so that energy could be conserved and network lifetime increased without harming coverage. We further developed the Heuristic-Crossover Enhanced Evolutionary Algorithm for Cluster Head Selection (HEECHS) protocol for the clustering operation. HEECHS uses the known information around the problem to develop a useful heuristic crossover that combines genetic material in a unique way to produce improved CH configuration. This method described has some parallels with optimization algorithms known as Memetic Algorithm (MAs). This algorithm is a type of stochastic global search heuristics in which Evolutionary Algorithm-based techniques are mixed with a local search technique to improve the quality of the solutions proposed by evolution [6]. Sleep scheduling and clustering algorithms work together to optimize network lifetime by harmonizing energy consumption amongst sensor nodes during the communication times. Energy consumption optimization is performed by selecting spatially distributed nodes with higher energy as CHs and additionally placing certain nodes into sleep mode without harming coverage. The HACH protocol proposed performs very well compared to protocols that use GA because it integrates knowledge of the problem into GA crossover operator.

The rest of the paper is organised as follows. Section 2 presents related work on energy conservation techniques and clustering protocols in the area of energy-efficient wireless sensor networks. Section 3 describes the network and radio model assumptions that underlie the protocol presented. In Section 4 the authors describe our proposed algorithm under three pivotal operational phases, those being the sleep scheduling mechanism, clustering algorithm and the energy consumption calculation. Section 5 presents our experimental set-up, performance procedures, results and discussion. Finally, Section 6 provided our conclusion.

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

مقدمه:
فن آوری محیط های کاشی کاری ، نمایش با وضوح بالا در مقیاس صفحه نمایش توسط محققان بیان شده است ؛تشریح این سطوح از راه حل های ارائه شده به مجموعه داده ها این امکان را میدهد که سطح بالای محیط کاری و پشتیبانی روش های جدید و همکاری در بین استفاده کنندگان را مجسم کند.
چندین تکنیک برای پر کردن دفعات مشاهده شده در پیکسل های بالا با انواع مختلفی از داده ها وجود دارداما هنوز چالش هایی برای ارائه انواع بیان محیط کاشی کاری وجود دارد که شامل طیف گسترده ای از نرم افزار های دسکتاپ ، ابزار های جستجو که باهم مانوس هستند و به اشتراک گذاشتن منابع چندگانه همراه با تشریح محیط های بیرونی است.
هنگامی که پروژه هایی مانند Opti Portal ایجاد شدند که شیوه ای برای توسعه روش های مقرون به صرفه برای ارائه تکنولوژی دیوار که هدفی جز، ارائه کالا و بیان تطابق گستره ی بخش های محیطی مورد نیاز نداشت ، در حالیکه هنوز تعدادی از استفاده کنندگان به آن دسترسی پیدا نکرده اند که بتوانند برای آشنایی کامل با آن داده های مورد نیاز را تجسم کنند ؛ و مزایای آن : راه حل های توسعه دیوار و راه حل های ضروری و موقت که به بیان تجسم قابلیت چند بخشی مورد نیاز محققان را تحت پوشش قرار میدهد را شامل میشود.
تاکنون راه حل های مناسب و مسنقیم برای جریان های کنترلی محتوا و نیزبیان مشکلاتی که در فرمت غیر فشرده ارائه شده است ؛ و نیازمند اتصالات داخلی و پهنای باند بالاست.برای جریان های محدود که انواعی از ابزارهای محتوایی را توسعه می دهند پهنای باند بالا مورد نیاز است ؛ که راه حل های کلی و به روز بودن جریان های محتوایی را شامل می شود.
مشخصه این مطلب به توسعه بالا و سرعت شبکه وابسته است. هم اکنون یک چهارچوب جدید برای کنترل جریان های محتوایی چند بخشی محیط های صفحه نمایش با زمان تاخیر کمتر از H.264 ,و فشرده سازی ویدیوئی بیان شده است. استفاده از فشرده سازی ویدیویی در جریان های ویدیویی به طور قابل توجهی با کاهش پهنای باند مورد نیاز همراه است و منابع شبکه که شامل چندین جریان غیر فشرده را بیان میکند ، در واقع زمان واقعی قابلیت های ویدئویی در دسترس که در برگیرنده طبقه بندی های جدید با پهنای باند محدود و دستگاه های بی سیم مانند لپ تاپ است. تعدادی از این جریان های همزمان ویدئویی می توانند با بالاترین سرعت موجود ، زیر ساخت های های شبکه را افزایش دهد، که جریان های ویدیوئی همزمان این قابلیت را دارد که پهنای باند شبکه را تا Gbps 1 و به طور قابل توجهی کاهش دهند.
در واقع در این مقاله به بیان پیاده سازی کامل سیستم end-to-end (پایان برای پایان) برای بیان جریان های محتوایی و کاشی کاری دیوار دسکتاپ می پردازد. که در این مشخصه اغلب تشریح جریان های ویدیویی فشرده که شامل بخش های مختلف دیوار است را بیان می کند و شامل کسب طیف وسیعی ازمنابع و محتوا با زمان تاخیر بسیار کم رمزگذاری ویدئویی و کارایی ناهمگن حمل و نقل شبکه ای گسترده ، ویدئو ها و تجسم سیستم نمایش و کاشی کاری سیستمی است. همچنین در این مسئله به استفاده کنندگان این اجازه داده می شود که به صورت تغییر پویا موقعیت و تغییر اندازه هر ویدئو جریان ها را در هر نقطه بر روی کاشی کاری دیوار بدون وقفه نمایش دهند.
هم اکنون چهار چوبی برای پشتیبانی و نمایش انواع دسکتاپ و محتواهای ویدیویی ارائه شده است و این اجازه را به استفاده کنندگان میدهد؛ که برای تجسم و همکاری در نمایش کاشی کاری بر روی دیوار با صفحه نمایش متعارف ، دوربین های ویدیویی HD ، کنسول بازی های ویدئویی و هر نوع ابزاری که دارای خروجی های HDMI، و با رابط DVI است آزادی عمل بیشتری را بدهد .
در متن حاضر به بیان و تجزیه و تحلیل عملکردهای جریان ها که شامل جریان های غیر فشرده پیکسل RGB ، جریان های فشرده فریم و جریان های فشرده H.264می پردازیم.در واقع این تحقیق ما را قادر می سازد که با استفاده از سیستم های خارج از لاین این مطالب را نشان دهیم که جریان های ویدئویی فشرده H.264 و با بهبود بخشیدن به توان عملیاتی فریم ، رکود پایین end-to-end که به طور قابل توجهی نیاز به جریان های غیر فشرده RGB با کیفیت بالا و پهنای باند کمتررا در بر میگیرد و استفاده از روش فشرده سازی فریم که رقابت واقعی را توسعه می دهدپرداخته شده است.

بخشی از مقاله انگلیسی:

1. Introduction

Tiled display environments offer high resolution display resources at a scale unparalleled by other display technologies. These higher resolution display surfaces allow for larger datasets to be visualized on larger workspaces and support new modes of collaboration among users. Several techniques currently exist for filling the high pixel count with certain types of data, but challenges still exist for displaying many types of content on tiled display environments, such as a wide range of desktop applications and tools that researchers are already familiar with, and sharing content from multiple sources which are external to the display environment. While projects like the OptiPortal research initiative [1] that are developing cost-effective tiled display wall technology from commodity components aim to increase access to tiled display walls, wide spread adoption of tiled display environments willnot occur until users can access and visualize their data in a way that they are familiar with. Despite the benefits higher resolution display walls provide, an interim solution is necessary until these tiled display walls support all of the visualization functionality researchers need. Until now a popular solution has been to stream remote content directly from rendering nodes in an uncompressed format that requires high bandwidth interconnects. The high bandwidth required for this streaming limits the types of devices that can provide content, as well as the total resolution and update rate of the content streamed. To address the issue of high speed network dependence we present a new framework for streaming remote content to tiled display environments using low latency H.264 video compression. The use of video compression on a video stream significantly reduces the required bandwidth and network resources which provides several improvements over uncompressed streaming. Real-time video streaming capabilities become accessible to a new class of bandwidth constrained devices such as wireless laptops. Also, the number of concurrent video streams that can be sent over existing high speed network infrastructure is increased, allowing collaboration with multiple concurrent content streams on a network with a 1 Gbps bandwidth or significantly less. This paper describes the implementation of a complete endto-end system for streaming desktop content to tiled display walls as outlined in Fig. 1. It also addresses the challenges of streaming compressed video to a tiled display wall including acquisition of a range of source content, extremely low-latency video encoding, efficient network transport over heterogeneous wide area networks, video decompression, and visualization on a tiled display system. Also addressed is the issue of mobility, allowing the users to dynamically reposition and resize each video stream anywhere on the tiled display wall without interruption. The presented framework provides support for the acquisition and display of a variety of desktop and video content, allowing users the freedom to visualize and collaborate on tiled display walls with conventional desktop applications, HD video cameras, video game consoles, and almost any device which outputs to an HDMI or DVI interface. In the following sections we describe the components of the system that make this possible and present a performance analysis between streaming of uncompressed RGB pixel streams, single frame compressed streams, and H.264 compressed streams. We are able to demonstrate that using the system outlined in this paper, H.264 compressed video streams provide a higher frame throughput, lower end-to-end latency, and require significantly less bandwidth than uncompressed RGB streams while providing a higher quality and lower bandwidth usage than competing realtime single frame compression approaches.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

مدلهای خطی به راحتی قابل پیاده سازی هستند و تفسیر خوبی دارند و بنابراین در بسیاری از مسائل تحلیل سری زمانی در کارهای واقعی به طور گسترده ای مورد استفاده قرار می گیرند. با این حال، نشان داده شده است مدل های خطی برای توصیف برخی از رفتارهای غیرخطی از ترافیک شبکه کافی نیستند. برای انعطاف پذیری بیشترمدل، همچنین کارهایی با استفاده از شبکه عصبی مصنوعی (ANN) برای تقریب عملکرد غیرخطی تابع f وجود دارد.
ANN تقریب زن بسیار قوی تابع غیر خطی با تعداد کافی داده شده از نورون های پنهان است. همانطور که در شکل 1 نشان داده شده است، ما مشاهدات پیشین و خطاهای پیش بینی را به شبکه عصبی و خروجی های شبکه عصبی حجم ترافیک پیش بینی شده آینده نمایش می دهیک . مرحله آموزش شبکه عصبی تنظیم وزنهای اتصالات بین دو لایه مجاور نورون ها به منظور به حداقل رساندن خطاهای پیش بینی است. بازگشت به عقب با استفاده از کاهش گرادیان دسته ای و کاهش گرادیان تصادفی معمولاً برای آموزش یک شبکه عصبی استفاده می شود.

اگرچه ایده پیش بینی غلتان با استفاده از مشاهدات قبلی، ساده و کارآمد به نظر می رسد ، اما محدودیت اصلی این است که باید در فواصل زمانی متوالی حجم ترافیک را جمع آوری کند که می تواند به خصوص در یک شبکه با سرعت بالا در مقیاس بزرگ بسیار گران باشد. برای جلوگیری از اندازه گیری مستقیم حجم ترافیک، روش هایی وجود دارد که به آن توموگرافی شبکه گفته می شود که برای تخمین حجم ترافیک از داده های link utilization پیشنهاد شده است و سپس از ترافیک تخمین زده شده برای انجام پیش بینی همانطور که در قسمت بعدی توضیح داده شده استفاده می کند.

B. توموگرافی شبکه
ایده توموگرافی شبکه بهره برداری از رابطه بین داده بار لینک و تقاضای ترافیک در بین هاست های انتهایی شبکه است. با استفاده از 〖 X〗_t یک بردار جمع آوری شده از تمام حجم های ترافیکی منتقل شده در شکاف زمانی t بین هر دو هاست انتهایی شبکه و یک ماتریس روتینگ (مسیریابی) توسط A که حاوی اطلاعات مسیریابی است، یعنی 〖 A〗_(i.j)=1بدین معنی است که لینک i به مسیری تعلق دارد که جفت مقصد j برای انتقال ترافیک خود استفاده می کند. در غیر اینصورت 〖 A〗_(i.j)=0. ما همچنین توسط〖 Y〗_tt یک بردار را نشان می دهیم که تمام بارهای لینک را در شکاف زمانی t جمع آوری می کند. سپس می توانیم رابطه بین بار لینک (لینک لود) و حجم ترافیک را با سیستم خطی زیر فرمول بندی کنیم.

توجه داشته باشید که فرض می کنیم در طول دوره مشاهده ، ماتریس روتینگ تغییر داده نشده است. حتی با این فرض، سیستم حل توصیف شده در معادله 3 بسیار مشکل است زیرا سیستم نامعین است زیرا تعداد لینک ها معمولا به مراتب کمتر از تعداد جفت های هاست های انتهایی در یک شبکه هستند.
تحقیقات گسترده ای با استفاده ازسنجش فشرده، الگوریتم های امید ریاضی- بشینه سازی برای حل این سیستم وجود دارد. به طور کلی ، آن الگوریتم ها پیچیده هستند و نتایج رضایت بخش نیست.
با درک محدودیت های قوی در کارهای موجود ذکر شده، چارچوبی جدید برای برآورد حجم ترافیک بر اساس برخی از آماگان های ساده سطح جریان را با استفاده از مدل های پنهان مارکوف در بخش زیر پیشنهاد می کنیم.

3. حدس زدن و پیش بینی حجم ترافیک با استفاده از HMM ها
در این بخش، امکان حدس زدن و پیش بینی حجم ترافیک را بر اساس برخی از آمارگان (آماره های) ساده سطح جریان ساده مورد بحث قرار می دهیم. این ایده مبتنی بر مشاهداتی است که وابستگی آماری قوی بین آن آمارگان (آماره های) ساده سطح جریان و کل حجم ترافیک وجود دارد که توسط شکل زیر که با تجزیه و تحلیل سری زمانی از ترافیک شبکه واقعی بدست آمده است، نشان داده شده است.

شکل 2 رابطه بین تعداد جریان در شکاف های زمانی مختلف و حجم کل جریان مربوطه را (بر حسب بایت) نشان می دهد. در اینجا سری های زمانی را مانند آنهایی که دارای میانگین و انحراف معیار های صفر دارند را نرمالیزه می کنیم. ما می توانیم ببینیم که می توان از این ارتباط برای حدس زدن حجم بر اساس شمارش جریان (flow count) استفاده کرد زیرا همبستگی مهمی بین شمارش جریان (flow count) و حجم ترافیک وجود دارد.

A. آمارگان (آماره های) ساده جریان و تکنیک طراحی
ما استدلال می کنیم که جمع آوری آمارگان (آماره های) ساده جریان بسیار ارزان تر از اندازه گیری مستقیم حجم ترافیک است. در اینجا می توان آمارگان جریان را به صورت آمارگان زیر تعریف کنیم:
C_(f.t) تعداد جریان (flow) در فاصله زمانی t
C_(tcp.t) تعداد جریان های TCP در فاصله زمانی t
C_(R(i).t)تعداد جریان ها با استفاده از تعداد پورت موجود در بازه R(i)، ∀i در زمان t
علاوه بر مواردی که در اینجا تعریف می کنیم، هیچ محدودیتی در استفاده از اطلاعات بیشتری که برای تخمین حجم ترافیک مفید است، وجود ندارد. ما تمام آمارگان (آماره های) جریان را که به راحتی جمع آوری می شود ، در یک بردار مشاهدات y_(t )=〖[C_(f.t).C_(tcp.t).C_(R(i).t).…]〗^T قرار می دهیم.
جمع آوری این آمارگان (آماره های) سطح جریان، به طور طبیعی، مسئله ای آیتم های مجزای قابل شمارش یک رشته داده است که به طور گسترده در مقالات مورد مطالعه قرار گرفته است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

در جدول 1 در زیر، ما مکانسیم های مختلفی را برای حریم شخصی مورد شناسایی قرار دادیم که این مکانیسم ها توسط سایت های رسانه های اجتماعی به کاربران پیشنهاد می شود تا مطابق آن تنظیمات را در مورد حریم شخصی فعالیت های خود انجام دهند.در این بررسی صورت گرفته یک دامنه گسترده ای از تبعیضات در رسانه های اجتماعی و مجموعه هایی که آنها تحت عنوان سیاست های حفظ حریم شخصی به کاربران خود ارائه می دهد وجود دارد که در اینجا مورد بررسی قرار گرفته است، و تا حد زیادی به آن اشاره شده است که بسیاری از کاربران سایت های رسانه های اجتماعی زیاد به حفظ حریم خصوصی خودشان اهمیت نمی دهند و معمولا جزئیات امنیتی آن را به صورت پیش فرض و طبق همان چیزی که ایجاد شده است حفظ می کنند.3 خطرهای مختلف و احتمالی که ممکن است در سایت های شبکه های اجتماعی رخ بدهد
اصلی ترین نیازمندی سایت های شبکه های اجتماعی بحث مسائل امنیتی و حریم خصوصی است.اما همچنان بسیاری از مرگبارترین نوع حملات در تمامی سایت های شبکه های اجتماعی رخ می دهد و محافظت از کاربران در برابر وظیفه ای چالش برانگیز برای بسیاری از تحلیلگران اجتماعی و توسعه دهندگان بوده است.حملات اساسی امنیتی به سه دسته تقسیم بندی می شوند.
 نقض حریم خصوصی- یافتن ارتباطی بین گره ها و یال ها و شناسایی احتمال وجود رابطه ای بین آنها است.
 حملات منفعل- این دسته از حملات کاملا ناشناس و غیر قابل شناسایی می باشد.
 حملات فعال – گره های جدیدی را شکل دهی می کنند که ذاتا سعی در اتصال به گره های مرتبط و کسب دسترسی به گره های دیگر است.
جدول 2 تصویری واضح از انواع حملاتی که در سایت های رسانه های اجتماعی رخ می دهد را ارائه می دهد و همچنین راه حل هایی احتمالی برای چگونگی مقابله با این حملات به صورت امن را نیز فراهم کرده است[10].
4 تنظیمات حریم شخصی در سایت های شبکه های اجتماعی
هدف از بررسی سایت های شبکه های اجتماعی تقویت تنظیمات حریم شخصی است. فیسبوک و دیگر شبکه های اجتماعی که دارای محدوده طولانی از ارتباطات هستنمد به عنوان تنظیمات پیش فرض خودشان دارای محافظت محدودی هستند.برای همین کاربران این سایت ها باید به قسمت تنظیمات مراجع کنند تا تنظیمات دلخواه خودشان را جایگزین تنظیمات فعلی سایت کنند.سایت هایی مانند فیسبوک به کاربران خودشان اجازه مخفی کردن اطلاعات شخصی مانند ،داده های مفهومی، ایمیل، شماره تلفن، و وضعیت کسب و کار را می دهد.برای افرادی که تصمیم به ترکیب این موارد دارند، فیسبوک به کاربرانش اجازه صدور دسترسی محدودی به پروفایل افرادی که خودشان را به عنوان “هم نیشن ها” می دانند برای دیدن پروفایل هایشان را می دهد.حتی در چنین سطحی از حریم شخصی نیز باز ممکن هم نشین ها تصویری را از کامپیوتر خودشان بردارند و در جایی دیگر پست کنند. اما همانطور که ممکن است بنظر برسد، در حال حاضر استفاده کنندگان رسانه های اجتماعی معمولا پروفایل خودشان را محدود می کنند.
برای مثال، اجازه دهید که نحوه محدود کردن قابلیت مشاهده پروفایل کاربران این سایت ها را توسط سایرین کاربرها را در اینجا توضیح دهیم:
• فیسبوک:تنظیمات حریم شخصی فیسبوک برای کاربران جدید آن به شکل “تنها دوستان” می باشد. باری تنظیم این مورد به قسمت تنظیمات>حریم شخصی> چه کسی می تواند پست های آینده من را ببیند؟ بروید.
• توییتر:تنظیمات>امنیت و حریم شخصی>خریم شخصی در توییتر>محافظت از توییت های من.
• لینکدین:برای تغییر آن باید به قسمت :تنظیمات>اکانت>لینک های کمکی>ویاریش پروفایل عمومی خودتان رجوع کنید.
• گوگل پلاس:برای تغییر این تنظیمات،نام یک دایره را در پایین قسمت “به” را در پایین پست های خودتان پیش از منتشر شدن آن را بنویسید.
فیسبوک به راحتی می تواند بگوید که هیچ گونه غرامتی را در برابر اطلاعات شما با توجه به سیاست های حریم شخصی و اطلاعات به شما نخواهد داد، و اگر مشتری پروفایل خودش را بر روی حالت باز قرار دهد، تمامی داده هایی که درون پروفایل وی موجود است ممکن است توسط اشخاصی مانند مدیر مدرسه و یا توسط پرسشگر های سو استفاده گر مورد بازدید قرار بگیرد.
البته به یاد داشته باشید که اکثر این ارتباطات غیر رسمی از راه دور حتی در صورت ترک این برنامه های کاربردی توسط شما یک مختصر اطلاعات مفیدی از شما را بدون اطلاع شما و به شکلی توطئه آمیز در اختیار دارند.با این حال بیشتر داده ها همچنان به صورت باز در اختیار آنها قرار می کند. این قضیه به نوعی ظالمانه است که حتی کسانی که پروفایل خودشان را در این شبکه های دوربرد اجتماعی به صورت بسته و محدود از لحاظ دسترسی سایر کاربران به پروفایل خودشان در آورده اند، و هیچ گونه داده ای از فعالیت های غیر قانونی با توجه به پست های پروفایل خودشان به جا نگذاشته اند، همچنان باید نگران در دسترس قرار گرفتن داده های خودشان توسط دیگران باشند.

4. مدیریت اعتماد و مسائل مرتبط با آن
حفاظت از اطلاعات یک پیش شرط اصلی برای خود افشاگری آنلاین است، با این حال خود قضیه خود افشاگری سبب کاهش حریم شخصی می شود زیرا مشتری های مختلفی به اطلاعات شما به صورت آنلاین دسترسی پیدا می کنند.ارتباط بین این ساختارها به نظر می رسد که تحت تاثیر متغیرهای مهمی قرار دارد، به عنوان مثال، اعتماد و کنترل[5].اعتماد دارای خصوصیاتی است که به عنوان یک عقیده مطرح می شود که در آن مردم،اجتماعات یا موسسات را برای اعتماد داشتن می توان در نظر گرفت.این مفهوم معمولا در تضاد با محافظت است،زیرا مردم برای اعتماد به فردی دیگر نیاز به دانستن اطلاعات آنها دارند به خصوص اگر هدف نهایی را اعتماد به آنها در نظر بگیریم،بدین ترتیب دارای نتایج مفیدی در مورد خود افشاگری آنلاین نیز وجود دارد.
سپس مجددا، پیشرفت اعتماد در یک دامنه آنلاین بر اساس این حقیقت که دنیای آنلاین شکننده است غیر قابل پیشبینی است.این همان دلیلی است که چندین مطالعه با تمرکز بر روی علت تمایل افراد برای افشا سازی داده های خودشان با وجود اعتماد و حفاظت صورت گرفته است.یک ساختار ضروری که می تواند این رابطه آشفته ذهنی را تحت تاثیر قرار بدهد را کنترل آشکار بر روی داده ها است. برای مثال،بررسی کلمات، و اجزایی که به طور مخصوص ساخته شده اند، و از ارزیابان آماده به طور منظمی برای تعیین کمیت خود افشاگری آنلاین، و از تنظیمات ابزار مونتاژ شده برای ارزیابی مکاتبات شخصی جهت ارزیابی اعتماد آنلاین مورد استفاده قرار می گیرد.

طرح انتخاب گره های رله سازگار با پخش چندهاپی در VANET ها

An adaptive relay nodes selection scheme for multi-hop broadcast in VANETs

Abstract

Vehicular ad hoc networks (VANETs) have potential applications for improving on-road driving experiences including preemptive road safety measures and provision for infotainment services. This paper proposes a Bi-directional Stable Communication (BDSC) relay nodes selection scheme designed for multi-hop broadcasting protocols over a platoon of vehicles. Relay nodes selection is based on quantitative representation of link qualities for single-hop neighboring nodes by using a proposed link quality estimation algorithm. The BDSC scheme aims to improve packet delivery ratio while maintaining low end-to-end communication delays over a densely populated network with nodes distributed over a large coverage area. To achieve this, the proposed scheme attempts to adaptively balance between the estimated link qualities and the distance between the source broadcaster and the potential forwarders when selecting the next hop nodes for relaying the broadcast messages. Our results from extensive simulation analysis reveal that the proposed BDSC scheme outperforms existing multi-hop broadcasting schemes in terms of packet delivery ratio when evaluated over a densely populated VANETs.

1 Introduction

Many academic as well as industrial experts expect vehicular ad hoc networks (VANETs) to become the de-facto enabling technology for communication among vehicles on the road [1–5]. The scale of research projects, road tests and government investments in VANETs has intensified over the past few years [6–10]. This has been fuelled by the fact that VANETs can play a key role in improving traffic safety and efficiency by enhancing drivers’ awareness of immediate and far distant traffic situations [11–13]. In addition, a variety of comfort and infotainment services is plausible to deploy over VANETs to further enhance on-road experience [13–16].

Large physical areas can be covered in a platoon of communication technology-enabled vehicles using a multi-hop propagation scheme, where assistance from intermediate relay nodes is used for forwarding messages to their final destination. In addition, multi-hop propagation provides a controlled broadcasting over a shared wireless medium instead of using a high power long transmission range configurations, which in-turn expands the collision domain of messages [17,18]. A proper selection of relay nodes is crucial in the design of multi-hop broadcast messaging protocols which highly governs the delivery ratio of the broadcasted mes- sages, especially over densely populated networks [12,19–21]. Conversely, a poor selection of relay nodes could lead to the drop of message reception rates, hence significantly limiting the delivery of messages over far distanced nodes. For the case of critical-innature safety alert messages, reliable and timely reception of these messages is a prime design objective when developing VANETsbased multi-hop safety messaging protocols [22,23]. In accordance with the safety messaging design requirements, a proper selection of relay nodes in multi-hop alert messages broadcast is an important aspect that requires in-depth investigation.

This paper introduces a new Bi-Directional Stable Communication (BDSC) relay nodes selection scheme for multi-hop messages broadcasting which can be used for different broadcast based applications in VANETs, such as safety alert messaging, route discovery and on-road information advertisement. The proposed scheme is incorporated with a sender-oriented messaging protocol in which the potential relay nodes are explicitly selected at the sender side. The BDSC scheme takes into consideration the quantitative estimations of link qualities for the forward links between each pair of nodes. The proposed scheme aims to improve multihop packet delivery ratio over densely populated network and at far distanced nodes. To reduce the loss of messages at the relays, the proposed scheme aims to adaptively improve the relay selection process by focusing not only on the distance from source but also on the link quality ratio.

The rest of the paper is organized as follows. Section 2 provides an overview on broadcasting techniques in VANETs and also discusses the relevant research work. Section 3 describes the multi-hop broadcasting scheme using the proposed BDSC scheme along with the link quality estimation and link selection criteria algorithms. Section 4 describes the simulation scenario over a varying speed mobility profile. Section 5 presents and analyzes the obtained simulation results and Section 6 concludes the work alongside with suggestions for further system performance improvement.