الگوریتم انتخاب سرخوشه برای اینترنت اشیا در شبکه‌های بی‌سیم بر اساس خوشه‌بندی پیک چگالی

پوربهرامی, شهین; عمادی, منا

doi:10.48301/kssa.2024.415637.2702

الگوریتم انتخاب سرخوشه برای اینترنت اشیا در شبکه‌های بی‌سیم بر اساس خوشه‌بندی پیک چگالی

نوع مقاله : مقاله پژوهشی (نظری)

نویسندگان

شهین پوربهرامی ¹

منا عمادی ²

¹ استادیار، گروه مهندسی کامپیوتر، دانشگاه فنی و حرفه‌ای، تهران، ایران.

² استادیار، گروه مهندسی کامپیوتر، دانشگاه پیام نور، تهران ، ایران.

10.48301/kssa.2024.415637.2702

چکیده

شبکه‌های حسگر بی‌سیم محدودیت‌های سخت‌افزاری و نرم‌افزاری شامل محدودیت‌های انرژی و محدودیت‌های دامنۀ رادیویی دارند که طراحی پروتکل‌های مناسب برای این شبکه‌ها را چالش‌برانگیز و مهم می‌کند. شبکه حسگر بی‌سیم دارای مقیاس‌پذیری، کارایی انرژی و انعطاف‌پذیری است. گرههای حسگر در برنامههای مختلفی نقش دارند که انرژی را از گره‌های ریز جذب میکنند. مصرف انرژی گره حسگر بیسیم یک پارامتر مهم برای مشارکت در عملیات گره حسگر بیسیم خواهد بود. توپولوژی خوشه‌ای سلسله مراتبی شبکه‌های حسگر بی‌سیم شناخته‌شده‌ترین حالت مدیریت این سیستم‌ها است که دارای شرایط مطلوبی از جمله مدیریت ساده، استفاده از ارتباطات همسایگی، سازگاری و سازماندهی اطلاعات ساده است اما این نوع خوشهها باعث مشکلات نیز هستند. به عنوان مثال، تعمیر و نگهداری نامناسب، هزینه های پشتیبانی بالا، اتلاف انرژی و تداخل گاه‌بهگاه. انتخاب خوشۀ مناسب را میتوان به عنوان یک مدل خوشهبندی ترکیبی با جستجوی سریع و یافتن خوشۀ پیک چگالی و الگوریتم رقابتی استعماری استفاده کرد. در این مقاله از این مدلها برای کاهش فاصله تا سرخوشه استفاده خواهد‌شد و این روش فاصله، انرژی، تأخیر و بار دستگاه‌های اینترنت اشیا را در طول عملیات انتخاب سرخوشه درنظر می‌گیرد. هدف از این مدل کاهش اتلاف انرژی با کاهش فاصله بین گره ها و ایستگاه پایه است که منجر به حفظ انرژی و عمر شبکه میگردد. تجزیه و تحلیل مربوط به وجود تعداد گرههای زنده، تخمین همگرایی و عملکرد از نظر انرژی نرمال شده و بار دستگاههای اینترنت اشیا می‌باشد. نتایج پیاده‌سازی عملکرد برتر روش پیشنهادی را در موارد گفته‌شده نشان می‌دهد.

کلیدواژه‌ها

خوشه‌بندی

الگوریتم رقابتی استعماری

شبکه‌های حسگر بی‌سیم

اینترنت اشیا

خوشه‌بندی پیک چگالی

موضوعات

اینترنت اشیا

عنوان مقاله English

Cluster Head Selection Algorithm for Internet of Things in Wireless Networks based on the Density Peak Clustering

نویسندگان English

Shahin Pourbahrami ¹

Mona Emadi ²

¹ Assistant Professor, Department of Computer Engineering, Technical and Vocational University (TVU), Tehran, Iran.

² Assistant Professor, Department of Computer Engineering, Payame Noor University, Tehran, Iran.

چکیده English

Wireless sensor networks have hardware and software constraints including energy constraints and radio domain constraints that make designing the right protocols for these networks challenging. The wireless sensor network has scalability, energy efficiency and flexibility. Nodes play a role in various applications that absorb energy from micro-nodes. The energy consumption of a node will be an important parameter for participation in the operation of the wireless sensor node. The most well-known hierarchical cluster of wireless sensor networks is the management mode of these systems, which has favourable conditions including simple management, neighbourhood communications, compatibility, and organization. However, these types of clusters cause problems such as improper maintenance, high support costs, energy waste and occasional interference. The selection of the corresponding cluster can be used as a hybrid clustering model with quick search and finding the density peak cluster and Imperialist Competitive Algorithm. In this study, these models were used to reduce the distance to the cluster and take into account the distance, energy, delay and load of IoT devices during the operation of selecting the cluster. The goal of this model was to reduce energy waste by reducing the distance between the nodes and the base station, which leads to maintaining energy and the life of the network. Analysis of the presence of live nodes, estimation of convergence and performance was normalized in terms of energy and the load of Internet of Things devices was determined. The implementation analysis showed the superior performance of the proposed method.

کلیدواژه‌ها English

Clustering Imperialist Competitive Algorithm

ICA Wireless Sensor Networks Internet of Things Density Peak Clustering

[1] Gulati, K., Kumar Boddu, R. S., Kapila, D., Bangare, S. L., Chandnani, N., & Saravanan, G. (2022). A review paper on wireless sensor network techniques in Internet of Things (IoT). Materials Today: Proceedings, 51(1), 161-165. https://doi.org/10.1016/j.mat pr.2021.05.067

[2] Akyildiz, I. F., Weilian, S., Sankarasubramaniam, Y., & Cayirci, E. (2002). A survey on sensor networks. Institute of Electrical and Electronics Engineers Communications Magazine, 40(8), 102-114. https://doi.org/10.1109/MCOM.2002.1024422

[3] Karl, H., & Willig, A. (2005). Protocols and Architectures for Wireless Sensor Networks. John Wiley & Sons. https://doi.org/10.1002/0470095121

[4] Darbandeh, F. G., & Safkhani, M. (2023). SAPWSN: A Secure Authentication Protocol for Wireless Sensor Networks. Computer Networks, 220(3), 109469. https://doi.org/10. 1016/j.comnet.2022.109469

[5] Nayak, P., Swetha, G. K., Gupta, S., & Madhavi, K. (2021). Routing in wireless sensor networks using machine learning techniques: Challenges and opportunities. Measurement, 178(4), 108974. https://doi.org/10.1016/j.measurement.2021.108974

[6] Rault, T., Bouabdallah, A., & Challal, Y. (2014). Energy efficiency in wireless sensor networks: A top-down survey. Computer Networks, 67, 104-122. https://doi.org/10.1016/j.co mnet.2014.03.027

[7] Dewangan, S., & Mishra, S. (2016). A survey on Energy Optimization in WSN using Distributed Clustering Approach. International Journal of Innovative Research in Engineering and Computer Science 4(11), 19020-19023. https://doi.org/10.15680/IJIRCCE.201 6.0411006

[8] Nayak, P., & Devulapalli, A. (2016). A Fuzzy Logic-Based Clustering Algorithm for WSN to Extend the Network Lifetime. Institute of Electrical and Electronics Engineers Sensors Journal, 16(1), 137-144. https://doi.org/10.1109/JSEN.2015.2472970

[9] Pourebrahimi, S., Alamdari, E. K., & Khanli, L. M. (2019). Propose a New Clustering Algorithm for Data Transmission in Wireless Sensor Networks by Using Apollonius Circle. Iranian Juornal of Electrial and Computer Engineering 17(3), 219-226. http://rimag.ir/en/A rticle/28713

[10] Karimi, H. (2021). Sensor Node Clustering Algorithm with Respect to Node Density in Wireless Sensor Networks. Karafan Quarterly Scientific Journal, 18(3), 253-272. h ttps://doi.org/10.48301/kssa.2021.269713.1360

[11] Rezaeipanah, A., Amiri, P., Nazari, H., Mojarad, M., & Parvin, H. (2021). An Energy-Aware Hybrid Approach for Wireless Sensor Networks Using Re-clustering-Based Multi-hop Routing. Wireless Personal Communications, 120(4), 3293-3314. https://doi.org/10 .1007/s11277-021-08614-w

[12] Xu, D., & Tian, Y. (2015). A Comprehensive Survey of Clustering Algorithms. Annals of Data Science, 2(2), 165-193. https://doi.org/10.1007/s40745-015-0040-1

[13] Gharehchopogh, F. S., Namazi, M., Ebrahimi, L., & Abdollahzadeh, B. (2023). Advances in Sparrow Search Algorithm: A Comprehensive Survey. Archives of Computational Methods in Engineering, 30(1), 427-455. https://doi.org/10.1007/s11831-022-09804-w

[14] Bongale, A. M., Swarup, A., & Shivam, S. (2017, February 03-05). EiP-LEACH: Energy influenced probability based LEACH protocol for Wireless Sensor Network [Conference session]. 2017 International Conference on Emerging Trends & Innovation in ICT, Pune, India. htt ps://doi.org/10.1109/ETIICT.2017.7977014

[15] Lee, J-Y., Jung, K-D., Moon, S-J., & Jeong, H-Y. (2017). Improvement on LEACH protocol of a wide-area wireless sensor network. Multimedia Tools and Applications, 76(19), 19843-19860. https://doi.org/10.1007/s11042-016-3732-4

[16] Dehestani, F., & Jabraeil Jamali, M. A. (2020). Load Balanced Clustering Based on Imperialist Competitive Algorithm in Wireless Sensor Networks. Wireless Personal Communications, 112(1), 371-385. https://doi.org/10.1007/s11277-020-07030-w

[17] Praveen Kumar Reddy, M., & Rajasekhara Babu, M. (2019). A hybrid cluster head selection model for Internet of Things. Cluster Computing, 22(6), 13095-13107. https://doi.or g/10.1007/s10586-017-1261-1

[18] Emadi, M., & Niaei, M. (2023). Network Intrusion Detection Using Thermal Exchange Optimization And Seagull Optimization Algorithm. Karafan Quarterly Scientific Journal, 20(3), 509-529. https://doi.org/10.48301/kssa.2023.389398.2481

[19] Tang, Y., & Zhou, F. (2023). An improved imperialist competition algorithm with adaptive differential mutation assimilation strategy for function optimization. Expert Systems with Applications, 211(293), 118686. https://doi.org/10.1016/j.eswa.2022.118686

[20] Wang, Y., Pang, W., & Zhou, J. (2022). An improved density peak clustering algorithm guided by pseudo labels. Knowledge-Based Systems, 252(3), 109374. https://doi.org/10.101 6/j.knosys.2022.109374

[21] Emadi, M., Tanha, J., Shiri, M. E., & Aghdam, M. H. (2021). A Selection Metric for semi-supervised learning based on neighborhood construction. Information Processing & Management, 58(2), 102444. https://doi.org/10.1016/j.ipm.2020.102444