PROCEDURE OF SELECTING A CLUSTER HEAD NODE IN A WIRELESS SENSOR NETWORK USING FUZZY LOGIC
Authors:
1.
Astrakhan State Technical University
2.
Astrakhan State Technical University
Type:
Article
Pages:
from 81
to 89
Status:
Published
Received:
05.01.2018
Accepted:
25.01.2018
Published:
25.01.2018
Subject area:
VAC 05.12.2013 Системы, сети и устройства телекоммуникаций
VAC 05.13.01 Системный анализ, управление и обработка информации (по отраслям)
VAC 05.13.06 Автоматизация и управление технологическими процессами и производствами (по отраслям)
VAC 05.13.10 Управление в социальных и экономических системах
VAC 05.13.18 Математическое моделирование, численные методы и комплексы программ
VAC 05.13.19 Методы и системы защиты информации, информационная безопасность
UDK 519.242
GRNTI 20.01 Общие вопросы информатики
GRNTI 28.01 Общие вопросы кибернетики
GRNTI 49.01 Общие вопросы связи
GRNTI 50.01 Общие вопросы автоматики и вычислительной техники
GRNTI 82.01 Общие вопросы организации и управления
VAC 05.13.01 Системный анализ, управление и обработка информации (по отраслям)
VAC 05.13.06 Автоматизация и управление технологическими процессами и производствами (по отраслям)
VAC 05.13.10 Управление в социальных и экономических системах
VAC 05.13.18 Математическое моделирование, численные методы и комплексы программ
VAC 05.13.19 Методы и системы защиты информации, информационная безопасность
UDK 519.242
GRNTI 20.01 Общие вопросы информатики
GRNTI 28.01 Общие вопросы кибернетики
GRNTI 49.01 Общие вопросы связи
GRNTI 50.01 Общие вопросы автоматики и вычислительной техники
GRNTI 82.01 Общие вопросы организации и управления
Language:
Russian
Keywords:
algorithm, probability, energy efficiency, wireless sensor network, clustering, cluster head node, fuzzy logic, MATLAB
Abstract (English):
Clustering, as one of the energy-efficient approaches, is widely used in wireless sensor networks. This method is based on creating clusters and selecting cluster head nodes in a wireless sensor network. Clustering saves network energy because data transfer is restricted between multiple nodes. Thus, clustering is provided between several nodes, and the service life of the wireless sensor network can be extended. Since the parent cluster node interacts with other nodes of the network, a node with a high level of residual energy must be selected to perform this role. When the energy level of the selected cluster head node becomes lower than the threshold value, then the re-election of this node takes place. It should be noted that multiple patterns of choosing cluster head nodes built using various parameters (residual node energy, distance from the base station to a node, distance between the head node and a cluster member, the number and proximity of neighboring nodes, etc.) lacked for a factor of energy consumption, i.e. how many times nodes communicated to each other. To cope with the problem, this paper presents a prognostic algorithm for selecting a cluster head node using fuzzy logic. This algorithm suggests using a number of input parameters, such as the residual energy of the node, the proximity of neighboring nodes, and the centralization of the node in the cluster. The proposed algorithm has been implemented using the software package MATLAB Fuzzy Logic Toolbox. The simulation results prove the advantages of the proposed technique; application of the input parameters mentioned above helps select optimal cluster head nodes in a wireless sensor network, which increases power efficiency of a wireless sensor network.
Clustering, as one of the energy-efficient approaches, is widely used in wireless sensor networks. This method is based on creating clusters and selecting cluster head nodes in a wireless sensor network. Clustering saves network energy because data transfer is restricted between multiple nodes. Thus, clustering is provided between several nodes, and the service life of the wireless sensor network can be extended. Since the parent cluster node interacts with other nodes of the network, a node with a high level of residual energy must be selected to perform this role. When the energy level of the selected cluster head node becomes lower than the threshold value, then the re-election of this node takes place. It should be noted that multiple patterns of choosing cluster head nodes built using various parameters (residual node energy, distance from the base station to a node, distance between the head node and a cluster member, the number and proximity of neighboring nodes, etc.) lacked for a factor of energy consumption, i.e. how many times nodes communicated to each other. To cope with the problem, this paper presents a prognostic algorithm for selecting a cluster head node using fuzzy logic. This algorithm suggests using a number of input parameters, such as the residual energy of the node, the proximity of neighboring nodes, and the centralization of the node in the cluster. The proposed algorithm has been implemented using the software package MATLAB Fuzzy Logic Toolbox. The simulation results prove the advantages of the proposed technique; application of the input parameters mentioned above helps select optimal cluster head nodes in a wireless sensor network, which increases power efficiency of a wireless sensor network.
Keywords:
algorithm, probability, energy efficiency, wireless sensor network, clustering, cluster head node, fuzzy logic, MATLAB
algorithm, probability, energy efficiency, wireless sensor network, clustering, cluster head node, fuzzy logic, MATLAB
Беспроводные сенсорные сети (БСС) развертываются в удаленных и необслуживаемых человеком областях для выполнения важных задач. Сенсорные узлы БСС зондируют заданную область покрытия, собирая информацию, обрабатывают ее, а затем передают обработанные данные на приемный узел. Все узлы контролируются и управляются базовой станцией [1, 2]. Сенсорные узлы конструируются так, чтобы потреблялось как можно меньше энергии, поскольку они могут функционировать в недружественной внешней среде и замена источника питания в той или иной ситуации может быть невозможной. Очевидно, что сенсорный узел может выйти из строя как по причине критичной ситуации во внешней среде, так и вследствие потери возможности энергоснабжения. Однако сенсорная сеть содержит тысячи сенсорных узлов, и наиболее важным свойством БСС в целом должно быть выполнение сетью своих задач даже при выходе из строя какого-то максимально возможного числа сенсорных узлов. Ввиду этого необходимо создание таких алгоритмов управления сенсорными узлами, чтобы минимизировать энергопотребление сети. Так как сенсорные узлы имеют ограниченную энергию, то для применения в БСС пред почтительным подходом, вследствие его энергоэффективности, является кластеризация. Кластеризация - это процесс организации узлов в группы, называемые кластерами. Кластеризация позволяет экономить энергию, поскольку передача данных ограничивается между несколькими узлами, что увеличивает срок службы сенсорной сети [3]. Формирование кластеров в динамичной среде является одной из основных проблем иерархической маршрутизации, поскольку это влияет на потребление энергии в БСС. При использовании кластеризации в каждом кластере выбираются головные кластерные узлы (ГКУ), которые служат для сбора данных с узлов кластера и передачи их к базовой станции. В качестве ГКУ может быть выбран узел с любым уровнем остаточной энергии, в том числе с минимальным. Однако большое количество головных узлов, имеющих низкую энергию, способно привести к отказу сети. Именно поэтому характеристика ГКУ определяет производительность кластера и всей БСС в целом, а выбор головного кластерного узла играет существенную роль в функционировании сенсорных сетей. Одним из самых известных алгоритмов, обеспечивающих функционирование сенсорных сетей и выбор головных узлов, является алгоритм LEACH (Low Energy Adaptive Cluster Hierarchy). Алгоритм LEACH предусматривает вероятностный выбор сенсорного узла на роль головного в начале функционирования сенсорной сети, а впоследствии - ротацию на основе энергетических характеристик сенсорных узлов. Подобный подход продлевает длительность функционирования сенсорных узлов и сети в целом, но не позволяет решать задачи по обеспечению лучшего покрытия в течение достаточно длительного времени [4]. Существует достаточно много алгоритмов, которые в той или иной степени пытаются улучшить LEACH. Алгоритм HEED использует гибридный критерий для выбора головного узла на основе анализа остаточной энергии и расположения близлежащих узлов. Алгоритм PEGASIS образует связанную структуру, подсоединяя узлы, находящиеся на самом дальнем расстоянии от базовой станции к узлам, находящимся вблизи базовой станции [5]. Все эти алгоритмы направлены в первую очередь на увеличение длительности функционирования беспроводных сенсорных узлов и сети в целом. Тем не менее выбор ГКУ в этих алгоритмах не основан на энергетическом факторе, поэтому будет происходить потребление неразумно большого количества энергии в случае, если в качестве ГКУ будут выбраны самые удаленные узлы. Многими исследователями были предложены схемы выбора ГКУ на основе различных факторов, таких как остаточная энергия узлов, расстояния от базовой станции до узла, расстояние между ГКУ и членом кластера, количество соседних узлов, близость к соседним узлам и т. д. [6-10]. Однако в ранних работах не рассматривался фактор потребления энергии, т. е. не рассматривалось, сколько раз узлы осуществляют связь друг с другом. Структура БСС, состоящей из базовой станции и двух кластеров, совместно с их ГКУ и членами кластера, показана на рис. 1. Рис. 1. Структура беспроводной сенсорной сети: БС - базовая станция; ЧК - член кластера Рассмотрим пример функционирования БСС с иерархической кластеризацией. Возьмем два узла одного и того же кластера. Узел с самым высоким уровнем энергии, осуществляющий частое взаимодействие с другими узлами, обозначим как узел «А». Узел «В» - узел с относительно меньшим уровнем энергии, производит обмен данными с другими узлами гораздо реже. Узел «A» будет выбран в качестве ГКУ вследствие его более высокого энергетического уровня, в то время как узел «В» будет являться просто членом кластера БСС. При таком сценарии энергия узла «А» расходуется быстрее из-за его частого взаимодействия в другими узлами, в то время как затраты энергии узлом «B» будут незначительными по сравнению с затратами энергии узлом «A» в связи с его редкими обменами данными с другим узлами сети. Если узел «А» продолжает свою работу в качестве ГКУ и в последующих сеансах связи, то его энергия истощается. Когда уровень энергии данного узла становится ниже порогового, происходят перевыборы ГКУ. В аналогичной ситуации может оказаться и любой другой узел кластера, который был выбран в качестве ГКУ в текущем или в последующих сеансах связи. Это приводит к частым перевыборам ГКУ, отнимающим много времени и энергии в процессе функционирования БСС. Данный алгоритм является сложным и характеризуется рядом недостатков. Чем выше уровень ГКУ, тем большее количество энергии потребляет данный узел по сравнению с ГКУ на нижнем уровне [11]. Для устранения этого недостатка нами предлагается алгоритм выбора ГКУ на основе нечеткой логики. Вероятность выбора ГКУ оценивается на основе расстояния между узлом и базовой станцией, количества остаточной энергии и числа соседних узлов. Математическая модель прогнозирования потребления энергии Рассмотрим модель, предложенную Jin Shyan Lee и др. [8], в которой не принимается во внимание потребление энергии узлами, находящимися в режимах простоя либо сна. В данной модели предполагается, что каждый узел посылает l бит данных на узел на расстояние d, имея запас энергии Eз и потребляя количество энергии Eпд для передачи данных, которая задается как (1) где εс.п - фактор, влияющий на энергопотребление для модели свободного пространства; εм.р - фактор, влияющий на энергопотребление для модели многопутевого распространения волн; d0 - пороговое значение. Пороговое значение d0 может быть задано следующим образом: В зависимости от расстояния d используется либо модель свободного пространства, либо модель многопутевого затухания канала. Энергия, необходимая каждому узлу для приема данных Eпр, определяется как (2) Эта модель вычисляет энергию передачи Eпд и приема Eпр узла, не учитывая роль узла в кластере, т. е. не учитывая, является он головным кластерным узлом или членом кластера. Исполнение узлами ролей головного кластерного узла либо члена кластера изменяется в зависимости от их задач. В зависимости от того, сколько раз узел БСС осуществляет взаимодействие с другими узлами сети, узлу назначается соответствующая роль и, следовательно, потребление энергии изменяется в зависимости от того, является узел членом кластера или головным кластерным узлом. Следовательно, потребление энергии ГКУ EГКУ и его членами EЧК может быть вычислено независимо друг от друга путем модификации выражений (1) и (2), с учетом частоты повторяющихся связей сенсорного узла. EГКУ и EЧК вычисляются следующим образом: где EпрБС - энергия, потребляемая ГКУ при приеме сообщений от базовой станции; EпдБС - энергия, потребляемая ГКУ при передаче агрегированных данных к базовой станции; EпрЧК - энергия, потребляемая ГКУ при приеме данных от членов кластера; EпдЧК - энергия, потребляемая ГКУ при передаче сообщений членам кластера; EА - энергия, потребляемая ГКУ при агрегации данных; m - количество узлов в кластере; EпрГКУ - энергия, потребляемая узлом при приеме сообщений от ГКУ; EпдГКУ - энергия, затраченная узлом для передачи данных от узла к ГКУ. Методика выбора головного кластерного узла В общем случае энергия ГКУ и членов кластера БСС расходуется в процессе зондирования, обработки данных и взаимных обменов информацией. Таким образом, когда значение уровня энергии ГКУ становится меньше порогового значения, данный ГКУ перестает быть головным, что приводит к перевыборам ГКУ. В подобных случаях у узла, часто взаимодействующего с другими узлами кластера, возникает вероятность стать ГКУ ввиду высокого уровня его остаточной энергии в текущий момент времени. Однако в этом заключается существенный недостаток: поскольку энергия узла, вовлеченного в постоянный обмен данными с соседними узлами, будет быстро истощаться по сравнению с узлами, обменивающимися данными гораздо реже, это будет приводить к частым перевыборам ГКУ. С другой стороны, если потребление энергии ГКУ и членами кластера может быть предсказано на основе их предыдущих сеансов связи, то интервал перевыборов ГКУ можно таким способом увеличить. Чтобы решить эту задачу, предлагается методика выбора ГКУ БСС, основанная на нечеткой логике. На рис. 2 представлена модель нечеткоуправляемой системы для выбора ГКУ. Входными параметрами являются остаточная энергия узлов (RE), плотность распределения соседних узлов в кластере (ND) и централизованность узла (NC), а выходным параметром - вероятность выбора ГКУ (CHS). Рис. 2. Модель нечеткоуправляемой системы Лингвистические переменные RE и ND принимают значения «Низкая», «Средняя», «Высокая», а переменная NC - «Близко», «Средне», «Высоко». На рис. 3-5 приведены функции принадлежности входных параметров системы. На основе знаний о лингвистической переменной используются 27 правил нечеткой логики для принятия решения о вероятности выбора узла в качестве ГКУ. Рис. 3. Функция принадлежности для параметра остаточной энергии Рис. 4. Функция принадлежности для параметра плотности расположения соседних узлов Рис. 5. Функция принадлежности для параметра централизованности узла Чем ближе значение выходного параметра будет к единице, тем выше вероятность у узла стать ГКУ в БСС. Предлагаемая система нечетких правил принимает решение, основанное на трех основных параметрах в соответствии с заранее заданной базой правил, приведенной в таблице. Нечеткие правила IF-THEN-ELSE Остаточная энергия Плотность расположения соседних узлов Централизованность узла Вероятность выбора ГКУ Низкая Низкая Близко Низкая Низкая Низкая Средне Низкая Низкая Низкая Далеко Низкая Низкая Средняя Близко Низкая Низкая Средняя Средне Низкая Низкая Средняя Далеко Средняя Низкая Высокая Близко Средняя Низкая Высокая Средне Средняя Низкая Высокая Далеко Средняя Средняя Низкая Близко Низкая Средняя Низкая Средне Средняя Средняя Низкая Далеко Средняя Средняя Средняя Близко Низкая Средняя Средняя Средне Средняя Средняя Средняя Далеко Высокая Средняя Высокая Близко Средняя Средняя Высокая Средне Высокая Средняя Высокая Далеко Высокая Высокая Низкая Близко Средняя Высокая Низкая Средне Высокая Высокая Низкая Далеко Низкая Высокая Средняя Близко Высокая Высокая Средняя Средне Высокая Высокая Средняя Далеко Высокая Высокая Высокая Близко Высокая Высокая Высокая Средне Высокая Высокая Высокая Далеко Высокая На рис. 6-8 представлены графические поверхности входов-выходов моделируемой нечеткоуправляемой системы. Рис. 6. Вероятность выбора ГКУ на основе параметров остаточной энергии и плотности распределения узлов в кластере Рис. 7. Вероятность выбора ГКУ на основе параметров остаточной энергии и централизованности узла Рис. 8. Вероятность выбора ГКУ на основе параметров плотности распределения узлов в кластере и централизованности узла Согласно данным на рис. 6, для узла вероятность быть избранными в качестве ГКУ будет высокой при высоком уровне остаточной энергии и высокой плотности распределения узлов в кластере. При высоком уровне остаточной энергии и близком расположении узла к центру кластера вероятность стать ГКУ у узла тоже высока, что и показано на рис. 7. Данная ситуация желательна, поскольку чем более центральной будет являться позиция ГКУ, тем меньшими будут затраты энергии на обмен данными с членами кластера БСС. На рис. 8 показано, что при увеличении плотности распределения узлов в кластере и близкой централизованности узла вероятность узла быть избранным в качестве ГКУ увеличивается. Заключение Результатом исследования стал алгоритм выбора ГКУ БСС с использованием нечеткой логики. В предлагаемой системе используются такие параметры, как остаточная энергия узлов БСС, плотность распределения соседних узлов в кластере и централизованность узла. Алгоритм реализован с использованием программного пакета MATLAB. Результаты моделирования показывают, что использование вышеперечисленных входных параметров позволяет делать оптимальный выбор ГКУ, что, в свою очередь, оказывает положительное влияние на энергоэффективность БСС. В дальнейшем планируется исследовать влияние бóльшего количества входных параметров на вероятность выбора ГКУ сенсорной сети, определяющего производительность системы в целом.
1. Akyildiz I. F., Su W., Sankarasubramaniam Y., Cayirci E. Wireless sensor networks: a survey // Computer Networks. 2002. Vol. 38, iss. 4. P. 393-422. DOI.org/10.1016/S1389-1286(01)00302-4.
2. Akyildiz I. F., Kasimoglu I. H. Wireless sensor and actor networks: research challenges // Ad Hoc Networks. 2004. Vol. 2, iss. 4. P. 351-367. DOI.org/10.1016/j.adhoc.2004.04.003.
3. Al-Karaki J. N., Kamal A. E. Routing Techniques in Wireless Sensor Networks: A Survey // IEEE Wireless Communication. 2004. Vol. 11, no. 6. P. 6-28.
4. Dharma P. Agrawa, Ratnabali Biswa, Aditya Gupta, Neha Jain, Anindo Mukherjee, Sandhya Sekhar. Wireless Sensor Networks (WSNs): Routing // Encyclopedia of Wireless and Mobile Communications, 2008. P. 1534-1544.
5. Yan Gu, Yucheng Shao, Han Han, Tong Yi. A Clustering Routing Algorithm of WSN based on Uneven Nodes Deployment // IEEE International Conference on Wireless Communications and Signal Processing (WCSP), 2011. P. 1-6.
6. Han Zhang, Liang Li, Xin-fang Yan, Xiang Li. A Load-balancing Clustering Algorithm of WSN for Data Gathering // IEEE 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce (AIMSEC), 2011.
7. Singh A. K., Purohit N., Varma S. Fuzzy Logic based Clustering in Wireless Sensor Networks: A Survey // International Journal of Electronics. 2012. Vol. 100, iss. 1. P. 126-141.
8. Lee J. S., Cheng W.-L. Fuzzy-Logic-Based Clustering Approach for Wireless Sensor Networks Using Energy Predication // IEEE Sensors Journal. 2012. Vol. 12, no. 9. P. 2891-2897.
9. Anitha V. S., Sebastian M. P. A Connected Dominating Set-based Weighted Clustering Algorithm for Wireless Sensor Networks // IEEE International Conference on Wireless Communications, Networking and Information Security (WCNIS), 2010.
10. Young-Long Chen, Wei-Hsiang Huang. Fuzzy Logical Control with Taguchi Method for Cluster Heads Election in Wireless Sensor Networks // IEEE International Symposium on Computer, Consumer and Control, 2012.
11. Anno J., Barolli L., Xhafa F., Durresi A. A Cluster Head Selection Method for Wireless Sensor Networks Based on Fuzzy Logic // Proc. of IEEE TENCON-2007. CD-ROM. 4 p.
