تأثیر محل گره چاهک بر کارآیی شبکه های حسگر بی سیم با در نظر گرفتن مسیریابی خوشه بندی و نظریه نمونه برداری فشرده

محورهای موضوعی : انرژی های تجدیدپذیر

شیما پاکدامن تیرانی ¹ (کارشناسی ارشد- دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، اصفهان، ایران)
آوید آوخ ² (استادیار- دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، اصفهان، ایران)

تاریخ دریافت : 1394/07/27 تاریخ پذیرش : 1394/10/22 تاریخ انتشار : 1395/02/01

کلید واژه: خوشه بندی, شبکه های حسگر بی سیم, نمونه برداری فشرده, محل گره چاهک, تعداد ارسال ها,

چکیده مقاله :

شبکه حسگر بی‌سیم متشکل از تعداد زیادی گره‌های حسگر است که در یک محیط به‌طور گسترده پخش شده و به جمع‌آوری اطلاعات می‌پردازند. از جمله چالش‌های اساسی در این شبکه‌ها، کاهش تعداد ارسال‌ها و درنتیجه، افزایش طول عمر شبکه می‌باشد. یکی از ایده‌های مطرح به‌منظور افزایش طول عمر شبکه، مسئله کنترل موقعیت گره چاهک می‌باشد. محل این گره، نقش به‌سزایی در بهبود توازن بار شبکه ایفا می‌کند. اهمیت این موضوع تا حدی است که امروزه از گره‌های چاهک متحرک در شبکه‌های حسگر بی‌سیم استفاده می‌شود. در کنار این مهم، نظریه نمونه‌برداری فشرده نیز به شکل چشمگیری منجر‌‌به کاهش تعداد ارسال‌های داده در این شبکه‌ها می‌شود. در این مقاله، از روش نمونه‌برداری فشرده پیوندی به‌همراه مسیریابی مبتنی بر خوشه‌بندی استفاده می‌گردد. با استفاده از مدل مرسوم شبکه‌های حسگر بی‌سیم به بررسی اثر تغییر محل گره چاهک بر تعداد ارسال‌ها و کارآیی شبکه پرداخته می‌شود. برای تحقق این هدف، در پنج حالت مختلف، فرمول محاسبه تعداد کل ارسال‌ها به‌دست می‌آید. در نظر گرفتن حالت‌های مطرح شده، جهت یافتن بهترین محل برای گره چاهک از نظر تعداد ارسال‌ها و میزان مصرف انرژی در شبکه حسگر است. با توجه به مدل مصرف انرژی رادیویی مرتبه اول در شبکه‌های حسگر بی‌سیم، کاهش حجم داده ارسالی، میزان مصرف انرژی را نیز کاهش و طول عمر شبکه را افزایش خواهد داد.

چکیده انگلیسی:

Wireless Sensor Networks (WSNs) consist of several sensor nodes with sensing, computation, and wireless communication capabilities. The energy constraint is one of the most important issues in these networks. Thus, the data-gathering process should be carefully designed to conserve the energy. In this situation, a load-balancing strategy can enhance the resources utilization, and consequently, increase the network lifetime. Furthermore, recently, the sparse nature of data in WSNs has been motivated the use of the compressive sensing as an efficient data gathering technique. Using the compressive sensing theory significantly leads to decreasing the volume of the transmitted data. Taking the above challenges into account, the main goal of this paper is to jointly consider the compressive sensing method and the load-balancing in WSNs. In this regards, using the conventional network model, we analyze the network performance in several different states. These states challange the sink location in term of the number of transmissions. Numerical results demonstrate the efficiency of the load-balancing in the network performance.

منابع و مأخذ:

[1] I.F. Akyildiz, W. Su, Y. Sankarasubramaniam, E. Cayirci, “Wireless sensor networks: A survey”, Computer Networks, Vol. 38, No. 4, pp. 393-422, Mar. 2002.

[2] D. Ebrahimi, C. Assi, “Compressive data gathering using random projection for energy efficient wireless sensor networks”, Ad Hoc Networks, Vol. 16, pp. 105-119, May 2014.

[3] M. Balouchestani, K. Raahemifar, S. Krishnan, “Compressed sensing in wireless sensor networks: Survey”, Canadian Journal, Vol. 2, No. 1, pp. 1-4, Feb. 2011.

[4] S. Qaisar, R. Bilal, W. Iqbal, M. Naureen, S. Lee, “Compressive sensing: from theory to applications, A survey”, Communications and Networks, Vol. 15, No. 5, pp. 443-456, Oct. 2013.

[5] X. Wu, Y. Xiong, W. Huang, H. Shen, M. Li, “An efficient compressive data gathering routing scheme for large-scale wireless sensor networks”, Computers and Electrical Engineering, Vol. 39, No. 6, pp. 1935-1946, Aug. 2013.

[6] J. Haupt, W.U. Bajwa, M. Rabbat, R. Nowak, “Compressed sensing for networked data”, IEEE Signal Processing Magazine, Vol. 25, No. 2, pp. 92-101, Mar 2008.

[7] C. Luo, F. Wu, J. Sun, C. W. Chen, “Compressive data gathering for large-scale wireless sensor networks”, Proceeding of the Annual International Conference on Mobile Computing and Networking, pp. 145-156, Sep. 2009.

[8] C. Luo, F. Wu, J. Sun, C.W. Chen, “Efficient measurement generation and pervasive sparsity for compressive data gathering”, IEEE Trans. Wireless Commun., Vol. 9, No. 12, pp. 3728–3738, Dec. 2010.

[9] J. Wang, S. Tang, B. Yin, X.Y. Li, “Data gathering in wireless sensor networks through intelligent compressive sensing ”, Proceeding of the IEEE/INFOCOM, pp. 603-611, March 2012.

[10] X. Wu, Y. Xiong, P. Yang, S. Wan, W. Huang, “Sparsest random scheduling for compressive data gathering in wireless sensor networks”, IEEE Trans. on Wireless Communications, Vol. 13, No. 10, pp. 5867-5877, Oct. 2014.

[11] G. Yang, M. Xiao, S. Zhang, “Data aggregation scheme based on compressed sensing in wireless sensor network”, Information Computing and Applications, ed: Springer, pp. 556-561, Sep 2012.

[12] J. Cheng, Q. Ye, H. Jiang, D. Wang, C. Wang, “STCDG:an efficient data gathering algorithm based on matrix completion for wireless sensor networks,” IEEE Trans. Wireless Commun., Vol. 12, No. 2, pp. 850-861, Feb. 2013.

[13] H. Zheng, S. Xiao, X. Wang, X. Tian, “On the capacity and delay of data gathering with compesive sensing in wireless sensor networks”, Proceeding of the IEEE/GLOBECOM, pp. 1-5, Dec. 2011.

[14] H. Zheng, S. Xiao, X. Wang, X. Tian, M. Guizani, “Capacity and delay analysis for data gathering with compressive sensing in wireless sensor networks”,  IEEE Trans. Wireless Commun., Vol. 12, No. 2, pp. 917-926, Feb. 2013.

[15] J. Luo, L. Xiang, C. Rosenberg, “Does compressed sensing improve the throughput of wireless sensor networks?” Proceeding of the ICC, pp. 1–6, May 2010.

[16] L. Xiang, J. Luo, A. Vasilakos, “Compressed data aggregation for energy efficient wireless sensor networks”, Proceeding of the IEEE/SECON, pp. 46–54, Jun. 2011.

[17] F. Fazel, M. Fazel, M. Stojanovic, “Random access compressed sensing for energy-efficient underwater sensor networks,” IEEE Journal on Selected Areas in Communications, Vol. 29, No. 8, pp. 1660–1670, Sep. 2011.

[18] R. Xie X. Jia, “Transmission-efficient clustering method for wireless sensor networks using compressive sensing,” IEEE Trans. on Parallel and Distributed Systems, Vol. 25, No. 3, pp. 806-815, Mar. 2014.

[19] W. Heinzelman, A. Chandrakasan, H. Balakrishnan, “Energy-efficient communication protocol for wireless microsensor networks”, Proceeding of the IEEE/HICSS, pp. 1-10, Jan. 2000.

[20] E. Candes, M. Wakin, “An introduction to compressive sampling”, Signal Processing Magazine, Vol. 25, No. 2, pp. 21-30, Mar 2008.

[21] H. Zheng, F. Yang, X. Tian, X. Gan, X. Wang, S. Xiao, “Data gathering with compressive sensing in wireless sensor networks: a random walk based approach”, IEEE Trans. on Parallel and Distributed Systems, Vol. 26, No. 1, pp. 1-10, Feb. 2014.

[22] D. Donoho, “Compressed sensing”, IEEE Trans. on Information Theory, Vol. 52, No. 4, pp. 4036–4048, April 2006.

[23] M. Emre Keskin, I. Kuban Altlnel, N. Aras, C. Ersoy, “Wireless sensor network lifetime maximization by optimal sensor deployment, activity scheduling, data routing and sink mobility”, Ad Hoc Networks, Vol. 17, pp. 18-36, Jun.  2014.