DOI: https://doi.org/10.1007/s10586-024-04351-4
تاريخ النشر: 2024-03-26
المؤلف: Arash Heidari وآخرون
الموضوع الرئيسي: إنترنت الأشياء والحوسبة الحافة/الضباب
نظرة عامة
تقدم ورقة البحث خوارزمية جديدة لبناء الأشجار الممتدة المثلى في سياق الإنترنت الصناعي للأشياء (IIoT)، مع معالجة التحديات التي تطرحها فشل الأجهزة والتنقل الذي غالبًا ما يعطل أنظمة جمع البيانات. تدمج الطريقة المقترحة خوارزمية مستعمرة النحل الاصطناعية مع عوامل وراثية ودرجة ارتباط الكثافة لإنشاء أشجار ممتدة موثوقة. يتم تقييم ملاءمة هذه الأشجار بناءً على مسافات عدد القفزات من محطة القاعدة، والطاقة المتبقية للأجهزة، واحتمالات تنقلها. تظهر نتائج المحاكاة أن هذه الخوارزمية تعزز بشكل كبير موثوقية جمع البيانات مقارنة بالطرق الحالية، مثل خوارزمية الشجرة الممتدة الموثوقة (RST) وخوارزمية مسافة عدد القفزات (HCD)، عبر تكوينات العقد المتنوعة.
في الختام، تجمع الطريقة المقترحة البيانات بشكل فعال في IIoT من خلال إنشاء وتحسين الأشجار الممتدة من خلال عملية منظمة تشمل التجميع، والت initialization، والتحسين التكراري باستخدام استراتيجيات بحث مستوحاة من النحل. بينما تظهر وعدًا في تحسين الموثوقية وتقليل استهلاك الطاقة، فإن فعالية الطريقة تعتمد على معايير إنهاء محددة وفرضيات الشبكة الثابتة، مما قد يحد من قابليتها للتكيف وقابلية التوسع. تشمل اتجاهات البحث المستقبلية استكشاف دمج خوارزميات تطورية أخرى، مثل تحسين سرب الجسيمات وخوارزميات الخفافيش متعددة الأهداف، بالإضافة إلى دمج تقنيات التعلم الآلي لتعزيز كفاءة تجميع البيانات في شبكات إنترنت الأشياء.
مقدمة
تناقش مقدمة ورقة البحث النموذج المتطور بسرعة لإنترنت الأشياء (IoT)، مع تسليط الضوء على تكامله في مختلف القطاعات مثل أتمتة المنازل، والتعليم، والنقل. تشمل المكونات الرئيسية لإنترنت الأشياء علامات التعريف بموجات الراديو (RFID)، وأجهزة الاستشعار، والمحركات، التي تسهل الاستشعار، والاتصال، والتفاعل بين الأجهزة. يمتد الإنترنت الصناعي للأشياء (IIoT) بهذه المفاهيم إلى التصنيع الصناعي، مما يمكّن من رقمنة وترابط الأنظمة. يسمح هذا التكامل بدمج البيانات وتحليلها بكفاءة عبر تطبيقات متنوعة، بما في ذلك المدن الذكية وخدمات الطاقة.
تعتبر مشكلة تجميع البيانات تحديًا كبيرًا ضمن IIoT، والتي تصنف على أنها NP-hard بسبب تعقيد إدارة كميات هائلة من البيانات المستشعرة مع تحسين استهلاك الطاقة وكفاءة الشبكة. تقترح الورقة طريقة جديدة لتجميع البيانات باستخدام خوارزمية استنساخ النحل الاصطناعية مع عوامل وراثية ودرجة ارتباط الكثافة. تهدف هذه الطريقة إلى بناء شجرة ممتدة موثوقة بناءً على الطاقة المتبقية، مما يعزز موثوقية وكفاءة الطاقة لمنصات IIoT. تمهد المقدمة الطريق لاستكشاف مفصل للطريقة المقترحة، مع تخصيص الأقسام التالية للبحث المتعلق، ونمذجة النظام، وعرض النتائج.
طرق
في هذه الدراسة، تم محاكاة الطريقة المقترحة باستخدام MATLAB على جهاز كمبيوتر مزود بنظام Windows 7، ومعالج Intel Core i5 يعمل بتردد 2.5 جيجاهرتز، وذاكرة وصول عشوائي سعتها 4 جيجابايت. تعتبر اختيار مواصفات البرمجيات والأجهزة أمرًا حاسمًا لضمان موثوقية وكفاءة المحاكاة التي تم إجراؤها. تعتبر البيانات التجريبية الناتجة عن هذه المحاكاة أساسًا لتقييم فعالية الطريقة المقترحة.
نقاش
تؤكد قسم النقاش في ورقة البحث على أهمية تجميع البيانات في إنترنت الأشياء (IoT) لتعزيز أمان البيانات، وكفاءة الطاقة، وأداء الشبكة. يستعرض مجموعة متنوعة من الأساليب الحالية، مثل طرق التجميع المعتمدة على الثقة والاستراتيجيات المعتمدة على الضبابية، التي تهدف إلى تحسين طول عمر الشبكة وأمانها. ومن الجدير بالذكر أن الورقة تنتقد هذه الأساليب لقيودها في حساب قيم الثقة بدقة، والتكيف مع ظروف الشبكة الديناميكية، وإدارة أحمال المرور الثقيلة. بالمقابل، تستفيد الطريقة المقترحة من خوارزمية استنساخ النحل الاصطناعية وعوامل وراثية لإنشاء وتنقيح الأشجار الممتدة لنقل البيانات في الإنترنت الصناعي للأشياء (IIoT). تهدف هذه الطريقة المبتكرة إلى تحسين الموثوقية، وتقليل استهلاك الطاقة، وتمديد عمر عمليات تجميع البيانات ضمن بيئات IIoT.
تحدد الورقة بيان مشكلة رسمي يتصور أجهزة إنترنت الأشياء كعقد في رسم بياني غير موجه، حيث الهدف هو بناء شجرة ممتدة دنيا (MST) لتحسين تجميع البيانات. تقلل MST من تكاليف الاتصال وتعزز كفاءة معالجة البيانات. يتم تقديم خوارزمية DABCG-IoT المقترحة كحل هجين لمعالجة تحدي تجميع البيانات، مع التركيز على إنشاء عدة أشجار ممتدة واختيار الشجرة ذات أقل وزن حافة إجمالي. يتم تقييم فعالية الخوارزمية من خلال مقاييس متنوعة، بما في ذلك احتمال الإزاحة، ومتوسط الطاقة المتبقية، ومسافة عدد القفزات، التي تقيم مجتمعة موثوقية وكفاءة الطاقة للشجرة الممتدة. من خلال اعتماد نموذج IoT من أربع طبقات منظم، تهدف الطريقة المقترحة إلى تسهيل تجميع البيانات بكفاءة وإدارة الموارد، مما يعزز في النهاية الكفاءة التشغيلية لأنظمة إنترنت الأشياء.
DOI: https://doi.org/10.1007/s10586-024-04351-4
Publication Date: 2024-03-26
Author(s): Arash Heidari et al.
Primary Topic: IoT and Edge/Fog Computing
Overview
The research paper presents a novel algorithm for constructing optimal spanning trees in the context of the Industrial Internet of Things (IIoT), addressing the challenges posed by device failure and mobility that often disrupt data collection systems. The proposed method integrates an artificial bee colony algorithm with genetic operators and density correlation degree to create reliable spanning trees. The fitness of these trees is evaluated based on hop count distances from the base station, residual energy of devices, and their mobility probabilities. Simulation results demonstrate that this algorithm significantly enhances data collection reliability compared to existing methods, such as the Reliable Spanning Tree (RST) and Hop Count Distance (HCD) algorithms, across varying node configurations.
In conclusion, the proposed method effectively aggregates data in IIoT by generating and optimizing spanning trees through a structured process involving clustering, initialization, and iterative improvement using bee-inspired search strategies. While it shows promise in improving reliability and reducing energy consumption, the method’s effectiveness is contingent on specific termination criteria and static network assumptions, which may limit its adaptability and scalability. Future research directions include exploring the integration of other evolutionary algorithms, such as particle swarm optimization and multi-objective bat algorithms, as well as incorporating machine learning techniques to further enhance data aggregation efficiency in IoT networks.
Introduction
The introduction of the research paper discusses the rapidly evolving paradigm of the Internet of Things (IoT), highlighting its integration into various sectors such as home automation, education, and transportation. Key components of IoT include Radio-frequency Identification (RFID) tags, sensors, and actuators, which facilitate sensing, connectivity, and interaction among devices. The Industrial Internet of Things (IIoT) extends these concepts into industrial manufacturing, enabling the digitization and interconnection of systems. This integration allows for efficient data merging and analysis across diverse applications, including smart cities and energy services.
A significant challenge within IIoT is the data aggregation problem, which is classified as NP-hard due to the complexity of managing vast amounts of sensed data while optimizing energy consumption and network efficiency. The paper proposes a novel data aggregation method utilizing an artificial bee cloning algorithm combined with genetic operators and density correlation degree. This method aims to construct a reliable spanning tree based on residual energy, enhancing the reliability and energy efficiency of IIoT platforms. The introduction sets the stage for a detailed exploration of the proposed approach, with subsequent sections dedicated to related research, system modeling, and the presentation of findings.
Methods
In this study, the proposed method was simulated using MATLAB on a computer equipped with Windows 7, an Intel Core i5 processor operating at 2.5 GHz, and 4 GB of RAM. The choice of software and hardware specifications is critical for ensuring the reliability and efficiency of the simulations conducted. The experimental data generated from these simulations serves as the foundation for evaluating the effectiveness of the proposed method.
Discussion
The discussion section of the research paper emphasizes the significance of data aggregation in the Internet of Things (IoT) for enhancing data security, energy efficiency, and network performance. It reviews various existing approaches, such as trust-based aggregation methods and fuzzy-based strategies, which aim to optimize network longevity and security. Notably, the paper critiques these methods for their limitations in accurately computing trust values, adapting to dynamic network conditions, and managing heavy traffic loads. In contrast, the proposed method leverages the artificial bee cloning algorithm and genetic operators to create and refine spanning trees for data transmission in the Industrial Internet of Things (IIoT). This innovative approach aims to improve reliability, reduce energy consumption, and extend the lifespan of data aggregation processes within IIoT environments.
The paper outlines a formal problem statement that conceptualizes IoT devices as nodes in a non-directionally connected graph, where the goal is to construct a Minimum Spanning Tree (MST) to optimize data aggregation. The MST minimizes communication costs and enhances data processing efficiency. The proposed DABCG-IoT algorithm is introduced as a hybrid solution to address the data aggregation challenge, focusing on generating multiple spanning trees and selecting the one with the lowest total edge weight. The algorithm’s effectiveness is evaluated through various metrics, including displacement probability, average residual energy, and hop count distance, which collectively assess the reliability and energy efficiency of the spanning tree. By employing a structured four-layer IoT model, the proposed method aims to facilitate efficient data aggregation and resource management, ultimately enhancing the operational efficacy of IoT systems.