💻 computer science

WSN-Derived Node Deployment and Data Transmission Model Using HEED Routing Protocol for Large-Scale IoT Network Applications

Dieses Papier schlägt ein adaptives, auf drahtlosen Sensornetzwerken basierendes Modell zur IoT-Knotenbereitstellung und Datenübertragung vor, das das HEED-Clustering-Protokoll mit den IEEE 802.11x-Standards und Deep-Learning-Analysen integriert, um die Energieeffizienz zu optimieren, die Netzwerklebensdauer zu verlängern und die Dienstgüte in groß angelegten IoT-Anwendungen zu verbessern.

Ursprüngliche Autoren: Abirama Sundari Purshothaman, C. Sankar Ram

Veröffentlicht 2026-06-26

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Abirama Sundari Purshothaman, C. Sankar Ram

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine riesige Stadt vor, in der tausende winzige, batteriebetriebene Boten (das sind Ihre IoT-Sensoren) überall verteilt sind, um Dinge wie den Verkehr, das Wetter oder Fabrikmaschinen zu überwachen. Das Problem? Diese Boten haben sehr kleine Batterien. Wenn sie alle gleichzeitig ihre Nachrichten an eine zentrale Zentrale schreien würden, ginge ihnen schnell die Energie aus und die Stadt würde dunkel werden.

Dieses Papier schlägt einen klügeren Weg vor, diese Boten zu organisieren, damit die Stadt viel länger am Leben bleibt und funktioniert. So haben sie es gemacht, unterteilt in einfache Konzepte:

1. Das „Nachbarschafts-Kapitän“-System (Clustering)

Anstatt dass jeder einzelne Bote direkt zur Hauptzentrale schreit (was Energie verschwendet), schlägt das Papier vor, sie in Nachbarschaften zu organisieren.

Die Analogie: Denken Sie an ein großes Bürogebäude. Anstatt dass jeder Mitarbeiter den ganzen Weg bis ins Büro des CEO läuft, um ein Memo abzugeben, gibt er sein Memo einem Teamkapitän in seiner Abteilung. Der Kapitän sammelt alle Memos, fasst sie in einem großen Bericht zusammen und geht damit zum CEO.
Der Kniff des Papers: In diesem System werden die „Teamkapitäne“ (genannt Cluster Heads) baserausgewählt, wer noch die meiste Batterie übrig hat und an der besten Stelle steht. Wenn ein Kapitän müde wird (niedrige Batterie), wird ein neuer Kapitän aus der Nachbarschaft gewählt, damit niemand zu schnell ausbrennt.

2. Der „Smarte Selektor“ (HEED-Protokoll)

Das Papier verwendet ein spezielles Regelwerk namens HEED, um diese Kapitäne auszuwählen.

Die Analogie: Stellen Sie sich ein Spiel vor, bei dem man einen Teamleiter wählen muss. Ältere Methoden wählen vielleicht einfach die Person, die am nächsten an der Tür steht. Aber HEED ist klüger: Es achtet auf zwei Dinge:
1. Energie: „Hast du genug Saft in deiner Batterie, um diesen Auftrag zu erleden?“
2. Distanz: „Bist du nah genug an den anderen Teammitgliedern, um problemlos zu kommunizieren?“
Durch das Abwägen dieser beiden Faktoren stellt das System sicher, dass die Anführer stark sind und das Team nicht zu laut schreien muss, um gehört zu werden.

3. Die „Ladestation“ (Energiemanagement)

Das Papier erwähnt eine Strategie, bei der das System nicht einfach nur darauf wartet, bis die Batterien leer sind.

Die Analogie: Es ist wie ein Staffellauf, bei dem die Läufer nicht einfach rennen, bis sie zusammenbrechen. Das System hat einen Plan, um Knoten zu „aufladen“ oder auszutauschen, bevor sie komplett sterben, um das Netzwerk am Leben zu halten. Es nutzt auch einen „Schlafmodus“ (wie eine Katze beim Nickerchen), bei dem die Boten ihre Funkgeräte ausschalten, wenn sie gerade nicht kommunizieren, um wertvolle Batterie zu sparen.

4. Das „Super-Gehirn“ am Ende (Deep Learning)

Sobald die Teamkapitäne alle Berichte gesammelt und an die Hauptzentrale (die Base Station) gesendet haben, führt das Papier ein Deep Learning Modell (speziell ein LSTM) ein.

Die Analogie: Stellen Sie sich vor, die Zentrale erhält einen Berg an Papierkram. Anstatt dass ein Mensch jede einzelne Zeile liest, liest ein Super-Gehirn-Computer (die KI) sofort die Zusammenfassung, erkennt Muster (wie „es wird regnen“ oder „eine Maschine geht kaputt“) und trifft eine Entscheidung.
Das Papier hat dies unter Verwendung eines Datensatzes von Netzwerkverkehr (einschließlich gefälschter Cyber-Angriffe) getestet und festgestellt, dass dieses KI-Gehirn sehr gut darin war, den Unterschied zwischen normalen Aktivitäten und Problemen zu erkennen.

5. Die Ergebnisse: Wer hat das Rennen gewonnen?

Die Autoren führmen eine Computersimulation (eine virtuelle Testfahrt) durch, um zu sehen, wie ihr neues System mit älteren Methoden abschneidet.

Das Ergebnis: Ihr neues System (das sie DL-HEED nennen) hielt mehr Boten länger am Leben als die alten Systeme.
- Mehr Überlebende: In einem Test mit 500 Boten hielt ihr System etwa 250 von ihnen am Leben und funktionstüchtig, während das alte System nur etwa 100 am Leben hielt.
- Schnellere Lieferung: Nachrichten kamen mit weniger Verzögerung an (weniger Staus).
- Bessere Genauigkeit: Das KI-Gehirn identifizierte „Angriffe“ oder Probleme zu 96,4 % der Zeit korrekt, was besser ist als die bisherigen besten Modelle.

Zusammenfassung

Kurz gesagt sagt dieses Papier: „Lassen Sie Ihre winzigen Sensoren nicht wahllos schreien, bis sie sterben. Gruppieren Sie sie in Nachbarschaften, wählen Sie kluge Anführer basierend darauf, wer die meiste Energie hat, lassen Sie sie schlafen, wenn sie nicht sprechen, und verwenden Sie am Ende einen superklugen Computer, um die Daten sinnvoll zu nutzen.“ Dies hält das gesamte Netzwerk länger, schneller und zuverlässiger am Laufen.

Technisches Resümee: WSN-basiertes Modell zur Knotendeployment und Datenübertragung unter Verwendung des HEED-Routing-Protokolls für großflächige IoT-Netzwerkanwendungen

Problemstellung
Die rasante Expansion von Internet-of-Things (IoT)-Anwendungen in Bereichen wie dem Gesundheitswesen, Smart Cities und der industriellen Automatisierung hat zur Implementierung großflächiger drahtloser Sensornetzwerke (Wireless Sensor Networks, WSN) geführt. Diese Netzwerke stehen jedoch vor erheblichen Herausforderungen hinsichtlich der Energieeffizienz, Zuverlässigkeit und Skalierbarkeit. Traditionelle zentralisierte Cloud-Verarbeitungsmodelle leiden unter hohem Kommunikationsaufwand, Latenzzeiten und Bandbreitenbeschränkungen, insbesondere in dynamischen Umgebungen, in denen die Verfügbarkeit von Knoten und die Verkehrsmuster fluktuieren. Darüber hinaus versagen bestehende Routing- und Clustering-Protokolle oft unter ressourcenbeschränkten Bedingungen, was zu ungleichmäßiger Energiekonsumtion, vorzeitigem Knotentod und Datenverlust führt. Das Kernproblem, das adressiert wird, ist die Notwendigkeit eines adaptiven Frameworks, das das Knotendeployment, das Clustering und die Datenübertragung optimiert, um die Lebensdauer des Netzwerks zu verlängern und gleichzeitig eine zuverlässige Kommunikation mit geringer Latenz in großflächigen IoT-Umgebungen zu gewährleisten.

Methodik
Die Arbeit schlägt eine adaptive, mehrschichtige IoT-WSN-Architektur vor, die ein Hybrid Energy-Efficient Distributed (HEED) Routing-Protokoll mit Deep-Learning-basierter Datenanalyse integriert. Die Methodik ist wie folgt strukturiert:

Netzwerkarchitektur und Deployment:
- Das Netzwerk wird als mehrschichtiges System modelliert, bestehend aus Geräte-, Cluster-, Edge-Gateway- und Cloud-Schichten.
- IoT-Knoten werden mittels eines probabilistischen Verteilungsmodells innerhalb einer definierten Region ( $N \times M$ ) bereitgestellt.
- Die Kommunikation nutzt IEEE 802.11x-Standards für das Knotendeployment und das Routing, während Low-Power-Standards (IEEE 802.15.4/ZigBee) für die Sensorik und das lokale Buffering verwendet werden.
- Ein Closed-Loop-Feedback-Mechanismus aktualisiert dynamisch das Knoten-, Routen- und Transmissionsverhalten.
Clustering und Routing (HEED-Protokoll):
- Die Studie implementiert ein modifiziertes HEED-Protokoll für das Clustering. Im Gegensatz zu standardmäßigen probabilistischen Methoden wählt HEED Cluster Heads (CHs) basierend auf zwei primären Parametern aus: Restenergie (residual energy) und Knotengrad (proximity/Kommunikationskosten).
- CH-Auswahlprozess: Das Protokoll verwendet einen iterativen, verteilten Ansatz. Knoten berechnen eine Wahrscheinlichkeit, ein CH zu werden, basierend auf der Restenergie ( $E_{residual}$ ) und der maximalen Energie ( $E_{max}$ ). Die Kommunikationskosten sind durch den Abstand zwischen den Knoten ( $d_{ij}$ ) definiert.
- Datenaggregation: CHs fungieren als Datenaggregatoren, sammeln Daten von Intra-Cluster-Knoten, führen Redundanzentfernung und Fusion durch und übertragen die aggregierten Daten an die Basisstation (BS).
- Energiemanagement: Das Modell beinhaltet ein Lade- und Aufladesystem, um die Energieniveaus der Knoten aufrechtzuerhalten. Es verwendet Time Division Multiple Access (TDMA) für das Intra-Cluster-Scheduling, um Kollisionen und Idle-Listening zu minimieren. Ein dynamischer Duty-Cycling-Mechanismus wechselt die Knoten zwischen aktiven und Schlafzuständen.
Integration von Deep Learning:
- Aggregierte Daten werden an einen Cloud-basierten Server übertragen, wo ein Deep-Learning-Modell (DL) die Zeitreihen-Daten verarbeitet.
- Speziell wird ein Long Short-Term Memory (LSTM) Modell eingesetzt, um die zeitlichen Abhängigkeiten in den IoT-Daten für Vorhersagen und Entscheidungsfindungen zu analysieren.
- Die Arbeit untersucht zudem die Integration von Graph Neural Networks (GNN), um das CH-Selection durch die Analyse von Knoteneigenschaften (Energie, Standort, RSSI, Grad) als Graphstruktur ( $G = (V, E)$ ) zu verbessern.
Simulation und Evaluierung:
- Das Netzwerkmodell wird mit Network Simulator 2 (NS2) simuliert.
- Der BoT-IoT-Datensatz (speziell ein gefilterter Teil von 5 %, der normalen und Angriffsverkehr enthält) wird verwendet, um die Leistung des Systems bei der Erkennung von Anomalien und der Verwaltung des Verkehrs zu validieren.
- Leistungsmetriken umfassen die Netzwerklebensdauer, den Durchsatz, die Paketlieferrate (Packet Delivery Ratio, PDR), die End-to-End-Verzögerung und den Energieverbrauch.

Wesentliche Beiträge
Die Arbeit skizziert die folgenden spezifischen Beiträge zur Verbesserung der Dienstgüte (Quality of Service, QoS) und der Energieeffizienz in WSN-basierten IoT-Netzwerken:

Adaptives Knotendeployment: Ein zufälliges und hierarchisches Deployment-Modell, das Knoten für die regionale Überwachung organisiert, gekoppelt mit einer Lade-/Aufladestrategie zur Aufrechterhaltung der Energieniveaus.
Verbessertes HEED-Protokoll: Implementierung von HEED für energieeffizientes Clustering, kosteneffiziente Inter-Cluster-Kommunikation und Zeitdivisions-Management zur Vermeidung von Datenkollisionen und Redundanz.
Optimierte Datenaggregation: Auswahl energieeffizienter Datenaggregatoren (CHs), die Daten sammeln und an einen Hub weiterleiten, wodurch die Bandbreitennutzung verbessert wird.
Deep-Learning-Integration: Einsatz eines LSTM-Modells auf dem Server zur Verarbeitung kontinuierlicher Zeitreihen-Daten, was die Entscheidungsgenauigkeit in dynamischen Netzwerken erhöht.
Closed-Loop-Feedback: Ein Modell zur dynamischen Überwachung und Aktualisierung von Knotenverhalten, Routen und Transmissionsparametern.
Simulations-Framework: Eine umfassende Simulation in NS2 mit Python-basierter DL-Verarbeitung, die Ergebnisse gegen bestehende Modelle wie LEACH, PEGASIS und TEEN vergleicht.

Ergebnisse
Die Simulationsergebnisse zeigen, dass das vorgeschlagene DL-HEED-Modell das Standard-HEED-Protokoll sowie andere bestehende Modelle (LEACH, PEGASIS, DEEC) über mehrere Metriken hinweg übertrifft:

Netzwerklebensdauer: DL-HEED verlängert die Anzahl der Runden vor dem Knotentod signifikant. Bei 500 Knoten hält DL-HEED etwa 250 lebende Knoten über 1500 Runden hinaus, während das Standard-HEED unter 100 Knoten fällt.
Paketlieferrate (PDR): DL-HEED erreicht höhere PDR-Raten. Bei 500 Knoten erreicht DL-HEED 91,3 %, verglichen mit 82,5 % bei Standard-HEED.
Energieeffizienz: Das vorgeschlagene Modell behält eine höhere durchschnittliche Restenergie bei. Bei 500 Knoten behält DL-HEED 0,09 J im Vergleich zu 0,07 J bei HEED.
Latenz: DL-HEED weist eine geringere End-to-End-Verzögerung auf als HEED über variierende Netzwerkgrößen hinweg.
Klassifizierungsleistung: Unter Verwendung des BoT-IoT-Datensatzes erreichte das vorgeschlagene Modell eine Genauigkeit (Accuracy) von 96,4 %, eine Präzision von 95,2 % und einen F1-Score von 94,9 % und übertraf damit das Hybrid-Clustering-Modell (93,6 % Genauigkeit) sowie DEEC-basierte Modelle.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Forschung die Lücke zwischen theoretischen energieeffizienten Modellen und skalierbaren, realen IoT-Lösungen schließt. Durch die Integration des HEED-Protokolls mit Deep Learning (LSTM und GNN) bietet das Framework eine robuste Lösung für nächste Generationen von IoT-Anwendungen, die Folgendes erfordern:

Verlängerte Netzwerklebensdauer: Durch balancierten Energieverbrauch und Aufladestrategien.
Skalierbarkeit: Die Fähigkeit, die Leistung beizubehalten, wenn die Netzdichte von 50 auf 500 Knoten steigt.
Zuverlässigkeit: Verbesserte Datenlieferung und reduzierte Latenz in dynamischen Umgebungen.
Intelligente Verarbeitung: Die Fähigkeit, Echtzeit-Anomalieerkennung und prädiktive Analysen direkt auf den aggregierten Sensordaten durchzuführen.

Die Arbeit kommt zu dem Schluss, dass das aktuelle Modell zwar auf Simulationen basiert und eine stabile initiale Clustering-Struktur voraussetzt, jedoch eine fundamentale adaptive Architektur darstellt. Zukünftige Arbeiten sind notwendig, um Mobilität, Hardware-Implementierung und verbesserte Sicherheitsmechanismen zu adressieren.