DOI: https://doi.org/10.1109/jiot.2026.3657050
تاريخ النشر: 2026-01-22
المؤلف: Igor Bisio وآخرون
الموضوع الرئيسي: شبكات الاستشعار اللاسلكية الموفرة للطاقة
نظرة عامة
تتناول هذه الدراسة مشكلة تحسين الأهداف المتعددة في بيئات إنترنت الأشياء الاجتماعية (SIoT) المحدودة الموارد، مع التركيز بشكل خاص على الشبكات اللاسلكية الاستشعار (WSNs). تهدف الدراسة إلى تقليل استهلاك الطاقة لعقد الحافة مع تعزيز جودة البيانات المستلمة، خاصة تحت ظروف القناة المتغيرة. تم اقتراح إطار عمل لتحسين باريتو لتحسين عامل الضغط ومعدل الترميز بشكل مشترك في WSNs باستخدام تقنية LoRa للتواصل. من خلال الاستفادة من الاستشعار الضاغط (CS) لضغط البيانات بكفاءة، يستكشف الإطار التبادلات بين استهلاك الطاقة وجودة إعادة بناء البيانات، مما يخفف من عبء النقل على عقد الحافة.
تشير النتائج إلى أن حل التحسين الموزع يمكن أن يقلل بشكل فعال من استهلاك الطاقة مع زيادة جودة البيانات، مما يقلل أيضًا من الحمل الناتج عن الإشارات والتحكم بين عقد الحافة. على الرغم من أن العمل الحالي يعتمد على تقييمات المحاكاة، إلا أنه يضع الأساس للبحوث المستقبلية لمعالجة التطبيقات العملية، بما في ذلك الاختيار الكمي لبارامترات الترميز والتكامل مع الأجهزة. تسهم هذه الدراسة في النهاية في تطوير أنظمة SIoT فعالة من حيث الطاقة وقابلة للتوسع ومستدامة من خلال تحسين نقل البيانات في شبكات LoRa.
مقدمة
تناقش مقدمة الورقة مفهوم إنترنت الأشياء الاجتماعية (SIoT)، الذي يعزز أطر إنترنت الأشياء التقليدية (IoT) من خلال دمج مبادئ الشبكات الاجتماعية بين الأجهزة المتصلة. في SIoT، تشكل الكائنات الذكية وتدير العلاقات الاجتماعية بشكل مستقل بناءً على تفاعلاتها ووظائفها، مما يؤدي إلى تحسين التعاون وإدارة الثقة ومشاركة الموارد. هذه الفكرة مفيدة بشكل خاص للتطبيقات في المدن الذكية، والنقل الذكي، والرعاية الصحية الشخصية، حيث تمكن من اتخاذ قرارات واعية بالسياق. يعزز دمج SIoT مع الشبكات اللاسلكية الاستشعار (WSNs) من كفاءة وقابلية توسيع أنظمة الاستشعار الموزعة، مما يعالج التحديات مثل استهلاك الطاقة والقدرة على التكيف التي تواجهها WSNs التقليدية.
تتناقض الورقة بين استراتيجيات التنسيق المركزية والموزعة في السلوكيات الاجتماعية، مشيرة إلى أوجه التشابه بين التفاعلات البشرية والحيوانية. تعتمد الأنظمة المركزية، التي تمثلها العمليات العسكرية والأوركسترا، على كيان رئيسي لاتخاذ القرارات والتزامن، بينما تعمل الأنظمة الموزعة، مثل فرق الجاز وقطع الطيور، بشكل مستقل بناءً على الأهداف المشتركة دون تواصل مباشر. يجادل المؤلفون بأنه في WSNs المحدودة الموارد، يمكن أن تحسن الحلول اللامركزية التي تقلل من التواصل بين العقد بشكل كبير من كفاءة الشبكة. من خلال استخدام آليات اتخاذ القرار الموزعة، يمكن لعقد الحافة الحفاظ على العلاقات الاجتماعية مع تقليل عبء التواصل، كما هو موضح في الأشكال المصاحبة التي تقارن بين متطلبات الإشارات في الأساليب المركزية مقابل الموزعة.
طرق
في هذا القسم، يصف المؤلفون الإعداد التجريبي لتقييم أداء عقد الاستشعار في شبكة استشعار لاسلكية (WSN) باستخدام تقنية LoRa. يتضمن التجربة نشر $N$ عقد حافة تجمع الإشارات للنقل إلى مركز مركزي. يتم الإشارة إلى استهلاك الطاقة لكل عقدة بـ $E_i$، بينما يتم تمثيل جودة إعادة بناء البيانات عند المستلم بـ $Q_i$. يتم ضبط معلمات الاتصال، $(C_i^F, C_i^R)$، ديناميكيًا بناءً على نسبة الإشارة إلى الضوضاء (SNR) لكل عقدة، $SNR_i$. يتم استخدام أداة LoRaPHY، المنفذة في Matlab، لمحاكاة الطبقة الفيزيائية لـ LoRa، مما يسمح بالتلاعب بمعلمات مختلفة مثل عامل الانتشار، ومعدل الترميز، وعرض النطاق الترددي.
تستخدم الدراسة ضوضاء غاوسية بيضاء إضافية (AWGN) لمحاكاة القناة الفيزيائية، مع نطاق $SNR_i$ من -20 إلى +20 ديسيبل. يتم التحقيق في العلاقة بين عامل الضغط، ومعدل الترميز، ومستويات الضوضاء، وجودة إعادة البناء من خلال نقل إشارات مضغوطة بمعدلات مختلفة، مما ينتج عنه ترددات عينة زائفة. يتم تقييم جودة إعادة البناء كميًا باستخدام خطأ الجذر المتوسط التربيعي (nRMSE) ومقاييس التشابه الكوني، مما يوفر رؤى حول كل من الدقة وموثوقية الشكل للإشارات المعاد بناؤها. يتم أيضًا إجراء تحليل انحدار للتنبؤ بجودة إعادة البناء بناءً على عوامل الضغط المختارة ومعدلات الترميز، مع الحفاظ على ثوابت مثل عامل الانتشار طوال الاختبارات.
نتائج
في هذا القسم، يقدم المؤلفون نتائج عددية من تحليلهم لجودة إعادة بناء الإشارة باستخدام الانحدار المتعدد، مع التركيز على العلاقة بين جودة إعادة البناء \( Q(C_F, C_R) \) ومعدلات الترميز المختلفة \( C_R \) عبر مستويات الضوضاء المختلفة. تشير النتائج، الملخصة في الجدول II، إلى أنه مع زيادة معدل العينة، يتحسن التشابه الكوني، مما يدل على تحسين جودة إعادة البناء، خاصة عند قيم \( C_R \) الأعلى. تسلط الدراسة الضوء على أنه عندما تتجاوز نسبة الإشارة إلى الضوضاء (SNR) -10 ديسيبل، يصبح تأثير الضوضاء ضئيلًا، مما يسمح بالاسترداد الفعال للإشارات الاهتزازية النادرة للغاية من خلال الاستشعار الضاغط (CS).
تكشف النتائج أن قيم \( C_R \) الأعلى لا تحسن فقط من قوة الإشارة ضد الضوضاء ولكنها أيضًا تنتج قيمًا أقل من خطأ الجذر المتوسط التربيعي (nRMSE)، مما يشير إلى أداء استرداد أفضل. يتم أيضًا تحليل دالة استهلاك الطاقة \( E(C_F, C_R) \)، مما يظهر تبادلًا بين كفاءة الطاقة وجودة إعادة البناء. من الجدير بالذكر أن النتائج تشير إلى أنه بينما يكون استرداد الإشارات ذات النقص الأقل أقل فعالية، فإن الأداء العام يتقارب نحو المعايير النظرية في ظل ظروف ضوضاء منخفضة. يستنتج المؤلفون أن زيادة SNR تؤدي إلى تحسين جودة إعادة البناء، مع اقتراب الأداء من السيناريو المثالي بدون ضوضاء، خاصة للإشارات التي تظهر نقصًا أعلى.
مناقشة
في هذه الدراسة، تم اقتراح إطار عمل لتحسين موزع لتعزيز كفاءة الطاقة وجودة إعادة بناء البيانات في الشبكات اللاسلكية الاستشعار (WSNs) باستخدام تقنية الاتصال LoRa. تؤكد الدراسة على أهمية تحقيق التوازن بين استهلاك الطاقة وسلامة البيانات، خاصة في البيئات المحدودة الموارد النموذجية لتطبيقات إنترنت الأشياء (IoT). من خلال دمج الاستشعار الضاغط (CS) لضغط البيانات مع آليات تصحيح الأخطاء الأمامية (FEC) الخاصة بـ LoRa، يتناول المؤلفون التبادل الفطري بين معدلات الضغط العالية – التي يمكن أن تؤدي إلى تدهور جودة الإشارة – والحاجة إلى نقل بيانات موثوقة.
تستخدم الحل المقترح تحسين باريتو للتنقل بين الأهداف المتعارضة المتمثلة في تقليل استهلاك الطاقة مع زيادة جودة إعادة البناء. يحدد هذا النهج مجموعة من الحلول غير المهيمنة، المعروفة باسم جبهة باريتو، مما يسمح بتسويات مصممة وفقًا لمتطلبات التطبيق المحددة. تكمن حداثة هذا العمل في تحسينه المشترك لعامل الضغط ومعدل الترميز في سياق شبكات LoRa، وهو موضوع لم يتم استكشافه بشكل مكثف في الأدبيات الحالية. تسهم النتائج في تطوير أنظمة IoT أكثر استدامة وكفاءة، مما يمهد الطريق لتحسين الأداء في التطبيقات الحساسة للطاقة.
DOI: https://doi.org/10.1109/jiot.2026.3657050
Publication Date: 2026-01-22
Author(s): Igor Bisio et al.
Primary Topic: Energy Efficient Wireless Sensor Networks
Overview
This research addresses the multi-objective optimization problem in resource-constrained Social Internet of Things (SIoT) environments, particularly focusing on Wireless Sensor Networks (WSNs). The study aims to reduce energy consumption of edge nodes while enhancing the quality of received data, particularly under varying channel conditions. A Pareto Optimization framework is proposed to jointly optimize the compression factor and coding rate in WSNs utilizing LoRa technology for communication. By leveraging Compressive Sensing (CS) for efficient data compression, the framework explores trade-offs between energy consumption and data reconstruction quality, thereby alleviating transmission load on edge nodes.
The findings indicate that a distributed optimization solution can effectively minimize energy consumption while maximizing data quality, which also reduces signaling and control overhead among edge nodes. Although the current work is based on simulation evaluations, it lays the groundwork for future research to address practical implementations, including the quantized selection of coding parameters and integration with hardware. This study ultimately contributes to the development of energy-efficient, scalable, and sustainable SIoT systems by optimizing data transmission in LoRa networks.
Introduction
The introduction of the paper discusses the concept of the Social Internet of Things (SIoT), which enhances traditional Internet of Things (IoT) frameworks by incorporating social networking principles among connected devices. In SIoT, smart objects autonomously form and manage social relationships based on their interactions and functionalities, leading to improved cooperation, trust management, and resource sharing. This paradigm is particularly beneficial for applications in smart cities, intelligent transportation, and personalized healthcare, as it enables context-aware decision-making. The integration of SIoT with Wireless Sensor Networks (WSNs) further enhances the efficiency and scalability of distributed sensing systems, addressing challenges such as energy consumption and adaptability that traditional WSNs face.
The paper contrasts centralized and distributed coordination strategies in social behaviors, drawing parallels to both human and animal interactions. Centralized systems, exemplified by military operations and orchestras, rely on a master entity for decision-making and synchronization, while distributed systems, like jazz bands and flocks of birds, operate autonomously based on shared objectives without direct communication. The authors argue that in resource-constrained WSNs, decentralized solutions that minimize inter-node communication can significantly improve network efficiency. By employing distributed decision-making mechanisms, edge nodes can maintain social relationships while reducing communication overhead, as illustrated in the accompanying figures that compare the signaling demands of centralized versus distributed approaches.
Methods
In this section, the authors describe the experimental setup for evaluating the performance of sensing nodes in a wireless sensor network (WSN) using LoRa technology. The experiment involves deploying $N$ edge nodes that collect signals for transmission to a central hub. Each node’s energy consumption is denoted by $E_i$, while the data reconstruction quality at the receiver is represented by $Q_i$. The communication parameters, $(C_i^F, C_i^R)$, are dynamically adjusted based on the signal-to-noise ratio (SNR) of each node, $SNR_i$. The LoRaPHY tool, implemented in Matlab, is utilized to simulate the physical layer of LoRa, allowing for the manipulation of various parameters such as spreading factor, coding rate, and bandwidth.
The study employs Additive White Gaussian Noise (AWGN) to simulate the physical channel, with $SNR_i$ ranging from -20 to +20 dB. The relationship between compression factor, coding rate, noise levels, and reconstruction quality is investigated through the transmission of signals compressed at different rates, yielding pseudo-sampling frequencies. The reconstruction quality is quantitatively assessed using root mean square error (nRMSE) and cosine similarity metrics, providing insights into both accuracy and shape fidelity of the reconstructed signals. A regression analysis is also performed to predict reconstruction quality based on selected compression factors and coding rates, while maintaining constant parameters such as the spreading factor throughout the tests.
Results
In this section, the authors present numerical results from their analysis of signal reconstruction quality using polynomial regression, focusing on the relationship between reconstruction quality \( Q(C_F, C_R) \) and various coding rates \( C_R \) across different noise levels. The results, summarized in Table II, indicate that as the sampling rate increases, the cosine similarity improves, demonstrating enhanced reconstruction quality, particularly at higher \( C_R \) values. The study highlights that when the signal-to-noise ratio (SNR) exceeds -10 dB, the impact of noise becomes negligible, allowing for effective recovery of highly sparse vibrational signals through compressive sensing (CS).
The findings reveal that higher \( C_R \) values not only improve the robustness of the signal against noise but also yield lower normalized root mean square error (nRMSE) values, indicating better recovery performance. The energy consumption function \( E(C_F, C_R) \) is also analyzed, showing a trade-off between energy efficiency and reconstruction quality. Notably, the results suggest that while the recovery of signals with lower sparsity is less effective, the overall performance converges towards the theoretical benchmark under minimal noise conditions. The authors conclude that increasing SNR leads to improved reconstruction quality, with the performance approaching that of the ideal scenario without noise, particularly for signals exhibiting higher sparsity.
Discussion
In this research, a distributed optimization framework is proposed to enhance energy efficiency and data reconstruction quality in Wireless Sensor Networks (WSNs) utilizing LoRa communication technology. The study emphasizes the significance of balancing energy consumption and data integrity, particularly in resource-constrained environments typical of Internet of Things (IoT) applications. By integrating Compressive Sensing (CS) for data compression with LoRa’s forward error correction (FEC) mechanisms, the authors address the inherent trade-off between high compression rates—which can degrade signal quality—and the need for reliable data transmission.
The proposed solution employs Pareto Optimization to navigate the conflicting objectives of minimizing energy consumption while maximizing reconstruction quality. This approach identifies a set of non-dominated solutions, known as the Pareto front, allowing for tailored compromises based on specific application requirements. The novelty of this work lies in its joint optimization of the compression factor and coding rate within the context of LoRa networks, a topic that has not been extensively explored in existing literature. The findings contribute to the development of more sustainable and efficient IoT systems, paving the way for improved performance in energy-sensitive applications.