DEDG: Recolección de datos basada en clústeres, consciente del retraso y la energía, en redes de sensores subacuáticos en 3D con movimiento óptimo de múltiples AUV
Autores: Alkanhel, Reem; Chaaf, Amir; Samee, Nagwan Abdel; Alohali, Manal Abdullah; Muthanna, Mohammed Saleh Ali; Poluektov, Dmitry; Muthanna, Ammar
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
DEDG: Recolección de datos basada en clústeres, consciente del retraso y la energía, en redes de sensores subacuáticos en 3D con movimiento óptimo de múltiples AUV
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Red de sensores submarinos
Consumo de energía
Reducción de retrasos
Vehículo autónomo no tripulado
Agrupamiento
Enrutamiento entre clústeres
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La monitorización de hábitats acuáticos submarinos y fugas de tuberías, así como la prevención de desastres, se ve facilitada por la construcción de una red de sensores inalámbricos submarinos (UWSN). El despliegue de sensores submarinos consume energía y causa retrasos al transferir los datos recogidos a través de múltiples saltos. El consumo de energía y los retrasos se minimizan mediante un vehículo autónomo no tripulado (AUV). Este trabajo aborda la idea de reducir la energía y el retraso incorporando una UWSN tridimensional asistida por AUV (3D-UWSN) llamada DEDG 3D-UWSN. La energía en los nodos de sensores se ahorra mediante agrupamiento y programación; por otro lado, el retraso se minimiza mediante el movimiento del AUV y el enrutamiento inter-cluster. En el agrupamiento, se aplica la optimización de hiena manchada de múltiples objetivos (MO-SHO) para la selección del mejor sensor para el cabezal del clúster, que es responsable de asignar horarios de sueño a los miembros. Según el número total de miembros, se proporciona a la mitad igual de los miembros con intervalos de sueño basados en la energía y el conteo de saltos. La redundancia en los datos recogidos se elimina midiendo la distancia de Hassanat. Luego, el AUV en movimiento puede predecir su movimiento mediante el método de predicción de trayectoria actor-crítico de dos factores. Se determina el punto medio entre los cuatro cabezales para que el AUV pueda recoger datos de cuatro cabezales a la vez. En casos donde se excede el tiempo de espera del CH, se ejecuta un enrutamiento inter-cluster de tres pasos. Los tres pasos son el descubrimiento de rutas posibles, ignorar los caminos más largos y validar la ruta filtrada con un método fuzzy-LeNet. En esta 3D-UWSN, los datos recogidos no siempre son normales y, por lo tanto, se presenta un método ponderado para transferir eventos de emergencia seleccionando retransmisores. Este trabajo se implementa en el Simulador de Redes versión 3.26 para probar los resultados. Logra una mejor eficiencia en términos de retraso en la recolección de datos, retraso de extremo a extremo, longitud del recorrido del AUV, vida útil de la red, número de nodos vivos y consumo de energía.
Descripción
La monitorización de hábitats acuáticos submarinos y fugas de tuberías, así como la prevención de desastres, se ve facilitada por la construcción de una red de sensores inalámbricos submarinos (UWSN). El despliegue de sensores submarinos consume energía y causa retrasos al transferir los datos recogidos a través de múltiples saltos. El consumo de energía y los retrasos se minimizan mediante un vehículo autónomo no tripulado (AUV). Este trabajo aborda la idea de reducir la energía y el retraso incorporando una UWSN tridimensional asistida por AUV (3D-UWSN) llamada DEDG 3D-UWSN. La energía en los nodos de sensores se ahorra mediante agrupamiento y programación; por otro lado, el retraso se minimiza mediante el movimiento del AUV y el enrutamiento inter-cluster. En el agrupamiento, se aplica la optimización de hiena manchada de múltiples objetivos (MO-SHO) para la selección del mejor sensor para el cabezal del clúster, que es responsable de asignar horarios de sueño a los miembros. Según el número total de miembros, se proporciona a la mitad igual de los miembros con intervalos de sueño basados en la energía y el conteo de saltos. La redundancia en los datos recogidos se elimina midiendo la distancia de Hassanat. Luego, el AUV en movimiento puede predecir su movimiento mediante el método de predicción de trayectoria actor-crítico de dos factores. Se determina el punto medio entre los cuatro cabezales para que el AUV pueda recoger datos de cuatro cabezales a la vez. En casos donde se excede el tiempo de espera del CH, se ejecuta un enrutamiento inter-cluster de tres pasos. Los tres pasos son el descubrimiento de rutas posibles, ignorar los caminos más largos y validar la ruta filtrada con un método fuzzy-LeNet. En esta 3D-UWSN, los datos recogidos no siempre son normales y, por lo tanto, se presenta un método ponderado para transferir eventos de emergencia seleccionando retransmisores. Este trabajo se implementa en el Simulador de Redes versión 3.26 para probar los resultados. Logra una mejor eficiencia en términos de retraso en la recolección de datos, retraso de extremo a extremo, longitud del recorrido del AUV, vida útil de la red, número de nodos vivos y consumo de energía.