Стохастическая динамическая модель подводной беспроводной сенсорной сети, основанная на модифицированном лувенском алгоритме кластеризации

Обложка

Цитировать

Полный текст

Аннотация

В данной работе представлен инновационный подход к кластеризации и маршрутизации в подводных беспроводных сенсорных сетях (ПБСС), основанный на модифицированном Лувенском алгоритме учитывающим расстояния между узлами, вероятности успешной передачи сообщений и текущий уровень энергии сенсоров. Класс задач, для которых используется указанный подход – гибридные подводные акустические беспроводные сенсорные сети с мобильным (надводным или подводным) шлюзом. Предложенный метод реализует механизм динамической рекластеризации сети на основе мониторинга энергетических ресурсов узлов, что позволяет перераспределять роли сенсоров в сети (обыкновенных и референсных) и обеспечивать адаптацию сети к изменениям внешней среды и состоянию сенсоров. Разработанный алгоритм нацелен на повышение энергоэффективности, минимизацию потерь данных и сокращение числа ретрансляций при передаче сообщений в условиях ограниченной пропускной способности гидроакустического канала связи. MAC-уровень базируется на TDMA протоколе, исключающем возможность коллизий за счёт использования независимых временных слотов для сенсоров. Динамическая модель решает ключевые задачи управления ресурсами ПБСС: снижает энергозатраты, повышает надёжность передачи данных, уменьшает длительность передачи сообщений и продлевает срок автономной работы сети. Модель учитывает пространственную трёхмерную структуру размещения сенсоров и оптимизирует размещение референсных узлов, предотвращая перегрузку и появление «узких мест» в сети. Целью работы является построение топологии, минимизирующей энергопотребление и потери сообщений при эффективной маршрутизации данных к мобильному шлюзу. Гибкость и адаптивность предложенного подхода делает его применимым в реальных подводных задачах мониторинга окружающей среды и исследованиях мирового океана. Модифицированный Лувенский алгоритм с введенным порогом кластеризации оказался эффективным инструментом, обеспечивающим детальный анализ влияния проектных параметров на основные функциональные характеристики ПБСС. Сочетание модифицированного Лувенского алгоритма и модифицированного метода Дейкстры в рамках предложенной имитационной стохастической модели позволяет создавать устойчивую, адаптивную и энергоэффективную кластерную архитектуру сети.

Об авторах

А. М Маевский

Санкт-Петербургский государственный морской технический университет

Email: Maevskiy_andrey@mail.ru
улица Лоцманская 3

В. А Рыжов

Санкт-Петербургский государственный морской технический университет

Email: varyzhov@smtu.ru
улица Лоцманская 3

Т. А Федорова

Санкт-Петербургский государственный морской технический университет

Email: fedorova.tan@gmail.com
улица Лоцманская 3

И. А Печайко

«Научно-производственное предприятие подводных технологий «Океанос»

Email: pechaikojohn@gmail.com
Поэтический бульвар 2

Н. М Буров

Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП)

Email: burov.nm@yandex.ru
ул. Большая Морская 67

Список литературы

  1. Zorzi M., Casari P., Baldo N., Harris A.F. Energy-efficient routing schemes for underwater acoustic networks // IEEE J. Sel. Areas Commun. 2008. vol. 26. no. 9. pp. 1754–1766.
  2. Davis A., Chang H. Underwater wireless sensor networks // Proceedings of the IEEE Oceans. 2012. pp. 1–5.
  3. Freitag L., Grund M., Singh S., Partan J., Koski P., Ball K. The WHOI micro-modem: An acoustic communications and navigation system for multiple platforms // Proceedings Oceans MTS/IEEE. 2005. vol. 2. pp. 1086–1092.
  4. Rahman M.A., Lee Y., Koo I. EECOR: an energy efficient cooperative opportunistic routing protocol for underwater acoustic sensor networks // IEEE Access. 2017. vol. 5. pp. 14119–14132. doi: 10.1109/ACCESS.2017.2730233.
  5. Akyildiz I.F., Pompili D., Melodia T. Underwater acoustic sensor networks: Research challenges // Ad Hoc Netw. 2005. vol. 3(3). pp. 257–279. doi: 10.1016/j.adhoc.2005.01.004.
  6. Pompili D., Melodia T., Akyildiz I.F. Distributed routing algorithms for underwater acoustic sensor networks // IEEE Trans. Wireless Commun. 2010. vol. 9. no. 9. pp. 2934–2944. doi: 10.1109/TWC.2010.070910.100145.
  7. Lu Q., Liu F., Zhang Y., Jiang S. Routing Protocols for Underwater Acoustic Sensor Networks: A Survey from an Application Perspective // Advances in Underwater Acoustics. 2017. doi: 10.5772/intechopen.68900.
  8. Azam I., Majid A., Khan T., et al. Avoiding Energy Holes in Underwater Wireless Sensor Networks with Balanced Load Distribution // 10th International Conference on Complex, Intelligent and Software Intensive System (CISIS). 2016. pp. 341–350. doi: 10.1109/CISIS.2016.109.
  9. Chaaf A., Muthanna M.S.A., Muthanna A., et al. Energy-Efficient Relay-Based Void Hole Prevention and Repair in Clustered Multi-AUV Underwater Wireless Sensor Network // Security and Communication Networks. 2021. vol. 2021. no. 1. doi: 10.1155/2021/9969605.
  10. Khan Z.A., Karim O.A., Abbas S, Javaid N., Zikria Y.B., Tariq U. Q-learning based energy-efficient and void avoidance routing protocol for underwater acoustic sensor networks // Computer Networks. 2021. vol. 197. doi: 10.1016/j.comnet.2021.10839.
  11. Mhemed R., Phillips W., Comeau F., Aslam N. Void avoiding opportunistic routing protocols for underwater wireless sensor networks: A survey // Sensors. 2022. vol. 22(23). doi: 10.3390/s22239525.
  12. Tokmachev D.A., Chensky A.G., Zolotarev N.S., Poletaev A.S. Modelling of a hydroacoustic modem for underwater communications // J. Phys.: Conf. Ser. 2021. vol. 1728. doi: 10.1088/1742-6596/1728/1/012021.
  13. Chen H., Zhu Y., Zhang W., Wu K., Yuan F. Underwater Acoustic Micromodem for Underwater Internet of Things // Wireless Communications and Mobile Computing. 2022. vol. 2022. no. 1. doi: 10.1155/2022/9148756.
  14. Sherlock B., Morozs N., Neasham J., Mitchell P. Ultra-low cost and ultra-low-power, miniature acoustic modems using multipath tolerant spread spectrum techniques // Electronics. 2022. vol. 11. no. 9. doi: 10.3390/electronics11091446.
  15. Li J., Tong F., Jiang W., Roy S. Underwater acoustic modem with high precision ranging capability based on second-level cesium atomic clock // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2022. vol. XLVI-3/W1-2022. pp. 75–80, doi: 10.5194/isprs-archives-XLVI-3-W1-2022-75-2022.
  16. Zia I., Poncela J., Otero P. State-of-the-Art Underwater Acoustic Communication Modems: Classifications, Analyses and Design Challenges // Wireless Personal Communications. 2021. vol. 116. pp. 1325–1360. doi: 10.1007/s11277-020-07431-x.
  17. Datta A., Dasgupta M. Energy efficient topology control in underwater wireless sensor Networks. Computers and Electrical Engineering. 2023. vol. 105. doi: 10.1016/j.compeleceng.2022.108485.
  18. Sutagundar A.V., Halakarnimath B.S., Bhadjantri L.B. et al. A Novel Approach of topology control in underwater sensor networks // IEEE 2nd Mysore Sub Section International Conference (MysuruCon). 2022. pp. 1–5. doi: 10.1109/MysuruCon55714.2022.9972400.
  19. Choudhary M., Goyal N. Dynamic topology control algorithm for node deployment in mobile underwater wireless sensor networks // Concurrency and Computation Practice and Experience. 2022. vol. 34(15). doi: 10.1002/cpe.6942.
  20. Hu Y., Hu K., Liu H. et al. An energy-balanced head nodes selection scheme for underwater mobile sensor networks // EURASIP Journal on Wireless Communications and Networking. 2022. no. 63. doi: 10.1186/s13638-022-02141-3.
  21. Fedorova T.A., Ryzhov V.A., Semenov N.N. and Sulaiman Sh.A. Optimization of an Underwater Wireless Sensor Network Architecture with Wave Glider as a Mobile Gateway // Journal of Marine Science and Application. 2022. vol. 21. pp. 179–196. doi: 10.1007/s11804-022-00268-9.
  22. Ahmad I., Rahman T., Zeb A., et al. Cooperative Energy-Efficient Routing Protocol for Underwater Wireless Sensor Networks // Sensors. 2022. vol. 22. doi: 10.3390/s22186945.
  23. Bharny S., Sharma S., Alsharabi N., Eldin E.T., Ghamry N.A. Energy-efficient clustering protocol for underwater wireless sensor networks using optimized glowworm swarm optimization // Front. Mar. Sci. 2023. vol. 10. doi: 10.3389/fmars.2023.1117787.
  24. Sheeja R., Iqbal M.M., Sivasankar C. Multi-objective-derived energy efficient routing in wireless sensor network using adaptive black hole-tuna swarm optimization strategy // Ad Hoc Networks. 2023. vol. 144. doi: 10.1016/j.adhoc.2023.103140.
  25. Alfajeer A.A., Harous S. A review of routing protocols for underwater wireless sensor networks // The 3rd International Conference on Distributed Sensing and Intelligent Systems (ICDSIS 2022). 2022. pp. 138–145. doi: 10.1049/icp.2022.2428.
  26. Shovon I.I., Shin S. Survey on Multi-Path Routing Protocols of Underwater Wireless Sensor Networks: Advancement and Applications. Electronics. 2022. vol. 11(21). doi: 10.3390/electronics11213467.
  27. Kebkal A., Kebkal K., Komar M. Data-link protocol for underwater acoustic networks // Europe Oceans. 2005. vol. 2. pp. 1174–1180. doi: 10.1109/OCEANSE.2005.1513225.
  28. Stojanovic M. Optimization of a data link protocol for an underwater acoustic channel // Europe Oceans. 2005. vol. 1. pp. 68–73 doi: 10.1109/OCEANSE.2005.1511686.
  29. Guqhaiman A.A., Akanbi O., Aljeadi A., Chow C.E. A Survey on MAC Protocol Approaches for Underwater Wireless Sensor Networks // IEEE Sensors Journal. 2021. vol. 21(3). pp. 3916–3932. doi: 10.1109/JSEN.2020.3024995.
  30. Kulla E., Matsuo K., Barolli L. MAC Layer Protocols for Underwater Acoustic Sensor Networks: A Survey // Lecture Notes in Network and Systems (LNNS). 2022. vol. 496. doi: 10.1007/978-3-031-08819-3_21.
  31. Gazi F., Ahmed N., Misra S., Wei W. Reinforcement Learning-Based MAC Protocol for Underwater Multimedia Sensor Networks // CM Transactions on Sensor Networks. 2022. vol. 18(3). pp. 1–25. doi: 10.1145/3484201.
  32. Liu X., Du X., Li M., Wang L., Li C. A MAC Protocol of Concurrent Scheduling Based on Spatial Temporal Uncertainty for Underwater Sensor Networks // Hindawi Journal of Sensors. 2021. vol. 2021. doi: 10.1155/2021/5558078.
  33. Shahapur S.S., Khanai R. Underwater Sensor Network at physical, data link and network layer – a survey // International Conference on Communications and Signal Processing (ICCSP). 2015. pp. 1449–1453. doi: 10.1109/ICCSP.2015.7322753.
  34. Songzuo L., Iqbal B., Khan I.U., Ahmed N., Qiao G., Zhou F. Full Duplex Physical and MAC Layer-Based Underwater Wireless Communication Systems and Protocols: Opportunities, Challenges, and Future Directions // J. Mar. Sci. Eng. 2021. vol. 9(5). doi: 10.3390/jmse9050468.
  35. Casari P., Ardizzon F., Tomasin S. Physical Layer Authentication in Underwater Acoustic Networks with Mobile Devices // WUWNet '22: Proceedings of the 16th International Conference on Underwater Networks & Systems. 2022. pp. 1–8. doi: 10.1145/3567600.3567604.
  36. Kaveripakam S., Chinthaginjala R. Energy balanced reliable and effective clustering for underwater wireless sensor networks // Alexandria Enngineering Journal. 2023. vol. 77. pp. 41–62. doi: 10.1016/j.aej.2023.06.083.
  37. Zhou Z., Peng Z., Cui J., Jiang Z. Handling triple hidden terminal problems for multichannel MAC in long-delay underwater sensor networks // IEEE Trans. Mob. Comput. 2012. vol. 11(1). pp. 139–154. doi: 10.1109/TMC.2011.28.
  38. Yahya A., Islam S.U., Zahid M., Ahmed G., Raza M., Pervaiz H. Cooperative routing for energy efficient underwater wireless sensor networks // IEEE Access. 2019. vol. 7. pp. 141888–141899. doi: 10.1109/ACCESS.2019.2941422.
  39. Rayen S.J., Arunajsmine J., Neelakandan S., Annamalai R. Social media networks owing to disruptions for effective learning // Procedia Comput. Sci. 2020. vol. 172. pp. 145–151. doi: 10.1016/j.procs.2020.05.022.
  40. Li P., Wang S., Zhang H., Zhang E. Improved particle swarm optimization algorithm of clustering in underwater acoustic sensor networks // Proceedings of the IEEE OCEANS. 2017. pp. 1–7. doi: 10.1109/OCEANSE.2017.8084869.
  41. Yu W., Chen Y., Wan L., Zhang X., Zhu P., Xu X. An energy optimization clustering scheme for multi-hop underwater acoustic cooperative sensor networks // IEEE Access. 2020. vol. 8. pp. 89171–89184. doi: 10.1109/ACCESS.2020.2993544.
  42. Wang M., Chen Y., Sun X., Xiao F., Xu X. Node energy consumption balanced multi-hop transmission for underwater acoustic sensor networks based on clustering algorithm // IEEE Access. 2020. vol. 8. pp. 191231–191241. doi: 10.1109/ACCESS.2020.3032019.
  43. Zhang W., Wang J., Han G. et al. A cluster sleep-wake scheduling algorithm based on 3D topology control in underwater sensor networks // Sensors. 2019. vol. 19. doi: 10.3390/s19010156.
  44. Vijayalakshmi S.R, Muruganand S. 6 Underwater Wireless Sensor Networks (UWSNs) // Wireless Sensor Network. Architecture – Applications – Advancements. 2018. pp. 175–212 doi: 10.1515/9781683923275-007.
  45. Blondel V.D., Guillaume J.-L., Lambiotte R., Lefebvre E. Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment. 2008. vol. 2008(10).
  46. Dijkstra E.W. A note on two problems in connexion with graphs // Numerische Mathematik. 1959. vol. 1. pp. 269–271. doi: 10.1007/BF01386390.
  47. Ramaswami R., Parhi K. Distributed scheduling of broadcasts in a radio network // Proceedings of the Eighth Annual Joint Conference of the IEEE Computer and Communications Societies (IEEE INFOCOM). 1989. vol. 2. pp. 497–504. doi: 10.1109/INFCOM.1989.101493.
  48. Rappaport T. Wireless Communications: Principles and Practice // Upper Saddle River, NJ: Prentice Hall, 1996.
  49. Thorp W.H. Deep Sound attenuation in the sub and low kilocycle per-second range // J. Acoust. Soc. Am. 1965. vol. 38(4). p. 648–654.
  50. Cui J.-H., Kong J., Gerla M., Zhou S. The challenges of building scalable mobile underwater wireless sensor networks for aquatic applications // IEEE Network. 2006. vol. 20. no. 3. pp. 12–18. doi: 10.1109/MNET.2006.1637927.
  51. Tian K., Zhou C., Zhang J. Improved LEACH Protocol Based on Underwater Energy Propagation Model, Parallel Transmission, and Replication Computing for Underwater Acoustic Sensor Networks. Sensors // 2024. vol. 24(2). doi: 10.3390/s24020556.
  52. Fedorova T.A., Ryzhov V.A., Safronov K.S. et al. Energy-Efficient and Reliable Deployment Models for Hybrid Underwater Acoustic Sensor Networks with a Mobile Gateway // J. Marine. Sci. Appl. 2024. vol. 23. pp. 960–983. doi: 10.1007/s11804-024-00444-z.
  53. Федорова Т.А., Рыжов В.А., Сафронов К.С. Использование гибридной коммуникационной архитектуры подводной беспроводной сенсорной сети для повышения ее времени жизни и эффективности // Информатика и автоматизация. 2024. Т. 23 № 5. С. 1532–1570. doi: 10.15622/ia.23.5.10.
  54. Tian K., Zhou C., Zhang J. Improved LEACH Protocol Based on Underwater Energy Propagation Model, Parallel Transmission, and Replication Computing for Underwater Acoustic Sensor Networks // Sensors. 2024. vol. 24(2). doi: 10.3390/s24020556.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».