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

Resumen Técnico: Modelo de Despliegue de Nodos y Transmisión de Datos Derivado de WSN utilizando el Protocolo de Enrutamiento HEED para Aplicaciones de Redes IoT a Gran Escala

Planteamiento del Problema
La rápida expansión de las aplicaciones del Internet de las Cosas (IoT) en dominios como la atención médica, las ciudades inteligentes y la automatización industrial ha llevado al despliegue de redes de sensores inalámbricos (WSN) a gran escala. Sin embargo, estas redes enfrentan desafíos significativos en cuanto a eficiencia energética, confiabilidad y escalabilidad. Los modelos tradicionales de procesamiento en la nube centralizada sufren de alta sobrecarga de comunicación, latencia y restricciones de ancho de banda, particularmente en entornos dinámicos donde la disponibilidad de los nodos y los patrones de tráfico fluctúan. Además, los protocolos de enrutamiento y agrupamiento existentes suelen fallar en condiciones de recursos limitados, lo que conduce a un consumo de energía desigual, muerte prematura de los nodos y pérdida de datos. El problema central abordado es la necesidad de un marco adaptativo que optimice el despliegue de nodos, el agrupamiento (clustering) y la transmisión de datos para extender la vida útil de la red, garantizando al mismo tiempo una comunicación confiable y de baja latencia en entornos IoT a gran escala.

Metodología
El artículo propone una arquitectura de IoT-WSN multicapa y adaptativa que integra un protocolo de enrutamiento de Energía Eficiente Híbrida Distribuida (HEED) con analítica de datos basada en aprendizaje profundo. La metodología se estructura de la siguiente manera:

1. Arquitectura de Red y Despliegue:

   • La red se modela como un sistema multicapa que comprende las capas de dispositivo, clúster, puerta de enlace de borde (edge gateway) y nube.
   • Los nodos IoT se despliegan utilizando un modelo de distribución probabilística dentro de una región definida ($N \times M$).
   • La comunicación utiliza los estándares IEEE 802.11x para el despliegue de nodos y el enrutamiento, mientras que se utilizan estándares de baja potencia (IEEE 802.15.4/ZigBee) para la detección y el almacenamiento local de datos (buffering).
   • Un mecanismo de retroalimentación de bucle cerrado actualiza dinámicamente el comportamiento de los nodos, las rutas y la transmisión.

2. Agrupamiento y Enrutamiento (Protocolo HEED):

   • El estudio implementa un protocolo HEED modificado para el agrupamiento. A diferencia de los métodos probabilísticos estándar, HEED selecciona los Cabezales de Clúster (CHs) basándose en dos parámetros primarios: energía residual y grado del nodo (proximidad/costo de comunicación).
   • Proceso de Selección de CH: El protocolo utiliza un enfoque iterativo y distribuido. Los nodos calculan una probabilidad de convertirse en un CH basada en la energía residual ($E_{residual}$) y la energía máxima ($E_{max}$). El costo de comunicación se define por la distancia entre los nodos ($d_{ij}$).
   • Agregación de Datos: Los CHs actúan como agregadores de datos, recolectando datos de los nodos intra-clúster, realizando la eliminación de redundancia y fusión, y transmitiendo los datos agregados a la Estación Base (BS).
   • Gestión de Energía: El modelo incorpora un sistema de carga y recarga para mantener los niveles de energía de los nodos. Emplea Acceso Múltiple por División de Tiempo (TDMA) para la programación intra-clúster con el fin de minimizar las colisiones y la escucha ociosa. Un mecanismo de ciclo de trabajo dinámico cambia los nodos entre los estados activo y de reposo.

3. Integración de Aprendizaje Profundo:

   • Los datos agregados se transmiten a un servidor basado en la nube donde un modelo de Aprendizaje Profundo (DL) procesa los datos de series temporales.
   • Específicamente, se despliega un modelo de Memoria de Corto Plazo de Larga Memoria (LSTM) para analizar las dependencias temporales en los datos de IoT para la predicción y la toma de decisiones.
   • El artículo también explora la integración de Redes Neuronales de Grafos (GNN) para mejorar la selección de CH mediante el análisis de las características de los nodos (energía, ubicación, RSSI, grado) como una estructura de grafo ($G = (V, E)$).

4. Simulación y Evaluación:

   • El modelo de red se simula utilizando Network Simulator 2 (NS2).
   • Se utiliza el conjunto de datos BoT-IoT (específicamente un subconjunto filtrado del 5% que contiene tráfico normal y de ataque) para validar el desempeño del sistema en la detección de anomalías y la gestión de tráfico.
   • Las métricas de desempeño incluyen la vida útil de la red, el rendimiento (throughput), la tasa de entrega de paquetes (PDR), el retardo extremo a extremo y el consumo de energía.

Contribuciones Clave
El artículo describe las siguientes contribuciones específicas para mejorar la Calidad de Servicio (QoS) y la eficiencia energética en las redes WSN basadas en IoT:

• Despliegue Adaptativo de Nodos: Un modelo de despliegue aleatorio y jerárquico que organiza los nodos para el monitoreo regional, junto con una estrategia de carga/recarga para sostener los niveles de energía.
• Protocolo HEED Mejorado: Implementación de HEED para un agrupamiento eficiente en energía, comunicación inter-clúster rentable y gestión por división de tiempo para evitar colisiones de datos y redundancia.
• Agregación de Datos Optimizada: Selección de agregadores de datos energéticamente eficientes (CHs) para recolectar y reenviar datos a un concentrador, mejorando el uso del ancho de banda.
• Integración de Aprendizaje Profundo: Despliegue de un modelo LSTM en el servidor para procesar datos continuos de series temporales, mejorando la precisión en la toma de decisiones en redes dinámicas.
• Retroalimentación de Bucle Cerrado: Un modelo para monitorear y actualizar dinámicamente el comportamiento de los nodos, las rutas y los parámetros de transmisión.
• Marco de Simulación: Una simulación integral en NS2 con procesamiento de DL basado en Python, comparando resultados contra modelos existentes como LEACH, PEGASIS y TEEN.

Resultados
Los resultados de la simulación demuestran que el modelo DL-HEED propuesto supera al protocolo HEED estándar y a otros modelos existentes (LEACH, PEGASIS, DEEC) en varias métricas:

• Vida Útil de la Red: DL-HEED extiende significativamente el número de rondas antes de la muerte de los nodos. Para 500 nodos, DL-HEE mantiene aproximadamente 250 nodos vivos más allá de las 1500 rondas, mientras que el HEED estándar cae por debajo de los 100 nodos.
• Tasa de Entrega de Paquetes (PDR): DL-HEED alcanza tasas de PDR más altas. Con 500 nodos, DL-HEEF alcanza un 91.3%, comparado con el 82.5% de HEED estándar.
• Eficiencia Energética: El modelo propuesto mantiene una mayor energía residual promedio. Con 500 nodos, DL-HEEF retiene 0.09 J frente a los 0.07 J de HEED.
• Latencia: DL-HEEF exhibe un menor retardo extremo a extremo en comparación con HEED a través de diversos tamaños de red.
• Desempeño de Clasificación: Utilizando el conjunto de datos BoT-IoT, el modelo propuesto logró una precisión (accuracy) de 96.4%, una precisión (precision) de 95.2% y un F1-score de 94.9%, superando al Modelo de Agrupamiento Híbrido (93.6% de precisión) y a los modelos basados en DEEC.

Significancia y Reivindicaciones
Los autores afirman que esta investigación cierra la brecha entre los modelos teóricos de eficiencia energética y las soluciones de IoT escalables en el mundo real. Al integrar el protocolo HEED con aprendizaje profundo (LSTM y GNN), el marco ofrece una solución robusta para las aplicaciones de IoT de próxima generación que requieren:

• Vida Útil de Red Extendida: Mediante un consumo de energía equilibrado y estrategias de recarga.
• Escalabilidad: La capacidad de mantener el desempeño a medida que la densidad de la red aumenta de 50 a 500 nodos.
• Confiabilidad: Mejora en la entrega de datos y reducción de la latencia en entornos dinámicos.
• Procesamiento Inteligente: La capacidad de realizar detección de anomalías en tiempo real y analítica predictiva directamente sobre los datos agregados de los sensores.

El artículo concluye que, si bien el modelo actual depende de la simulación y asume una estructura de agrupamiento inicial estable, proporciona una arquitectura adaptativa fundacional. Se identifica que el trabajo futuro es necesario para abordar la movilidad, la implementación de hardware y los mecanismos de seguridad mejorados.