💻 computer science

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

Ce document propose un modèle adaptatif de déploiement de nœuds IoT basés sur des réseaux de capteurs sans fil et de transmission de données qui intègre le protocole de regroupement HEED avec les normes IEEE 802.11x et l'analyse par apprentissage profond afin d'optimiser l'efficacité énergétique, de prolonger la durée de vie du réseau et d'améliorer la qualité de service dans les applications IoT à grande échelle.

Auteurs originaux : Abirama Sundari Purshothaman, C. Sankar Ram

Publié 2026-06-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Abirama Sundari Purshothaman, C. Sankar Ram

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une ville massive où des milliers de petits messagers alimentés par batterie (ce sont vos capteurs IoT) sont dispersés partout pour surveiller des choses comme le trafic, la météo ou des machines d'usine. Le problème ? Ces messagers ont des batteries très petites. S'ils essaient tous de crier leurs messages en même temps vers un quartier général central, ils épuisent rapidement leur énergie, et la ville s'éteint.

Ce document propose une manière plus intelligente d'organiser ces messagers afin que la ville reste vivante et opérationnelle beaucoup plus longtemps. Voici comment ils ont procédé, décomposé en concepts simples :

1. Le système du « Capitaine de Quartier » (Clustering)

Au lieu que chaque messager crie directement vers le quartier général principal (ce qui gaspille de l'énergie), le document suggère d'organiser les messagers en quartiers.

L'analogie : Pensez à un grand immeuble de bureaux. Au lieu que chaque employé marche jusqu'au bureau du PDG pour déposer un mémo, ils donnent leur mémemo à un Capitaine d'Équipe dans leur département. Le Capitaine rassemble tous les mémos, les résume en un seul grand rapport, et marche jusqu'au PDG.
La variante du document : Dans ce système, les « Capitaines d'Équipe » (appelés Têtes de Cluster) sont choisis en fonction de celui qui a le plus de batterie restante et qui se trouve au meilleur endroit. Si un Capitaine se fatigue (batterie faible), un nouveau est choisi parmi le quartier afin que personne ne s'épuise trop vite.

2. Le « Sélecteur Intelligent » (Protocole HEED)

Le document utilise un carnet de règles spécifique appelé HEED pour choisir ces capitaines.

L'analogie : Imaginez un jeu où l'on doit choisir un chef d'équipe. Les anciennes méthodes pourraient simplement choisir la personne la plus proche de la porte. Mais HEED est plus intelligent : il regarde deux choses :
1. Énergie : « As-tu assez de jus dans ta batterie pour faire cette course ? »
2. Distance : « Es-tu assez proche des autres membres de l'équipe pour parler facilement ? »
En équilibrant ces deux aspects, le système garantit que les leaders sont forts et que l'équipe n'a pas besoin de crier trop fort pour être entendue.

3. La « Station de Recharge » (Gestion de l'énergie)

Le document mentionne une stratégie où le système ne se contente pas d'attendre que les batteries meurent.

L'analogie : C'est comme une course de relais où les coureurs ne font pas que courir jusqu'à l'effondrement. Le système a un plan pour « recharger » ou remplacer les nœuds avant qu'ils ne meurent complètement, maintenant ainsi le réseau en vie plus longtemps. Il utilise également un « mode veille » (comme un chat faisant la sieste) où les messagers éteignent leurs radios lorsqu'ils ne parlent pas, économisant ainsi une précieuse batterie.

4. Le « Super-Cerveau » à la fin (Apprentissage Profond)

Une fois que les Capitaines d'Équipe ont rassemblé tous les rapports et les envoient au quartier général principal (la Station de Base), le document introduit un modèle d'Apprentissage Profond (plus précisément un LSTM).

L'analogie : Imaginez que le siège reçoit une montagne de paperasse. Au lieu qu'un humain essaie de lire chaque ligne, un ordinateur Super-Cerveau (l'IA) lit instantanément le résumé, repère des modèles (comme « il va pleuvoir » ou « une machine est en train de tomber en panne ») et prend une décision.
Le document a testé cela en utilisant un ensemble de données de trafic réseau (incluant de fausses cyberattaques) et a constaté que ce cerveau IA était très doué pour distinguer l'activité normale des problèmes.

5. Les Résultats : Qui a gagné la course ?

Les auteurs ont lancé une simulation informatique (un test de conduite virtuel) pour voir comment leur nouveau système se comparait aux anciennes méthodes.

Le résultat : Leur nouveau système (qu'ils appellent DL-HEED) a maintenu plus de messagers en vie plus longtemps que les anciens systèmes.
- Plus de survivants : Dans un test avec 500 messagers, leur système en a gardé environ 250 en vie et opérationnels, tandis que l'ancien système n'en a gardé qu'environ 100 en vie.
- Livraison plus rapide : Les messages sont arrivés avec moins de retard (moins d'embouteillages).
- Meilleure précision : L'IA a correctement identifié les « attaques » ou les problèmes 96,4 % du temps, ce qui est meilleur que les meilleurs modèles précédents.

Résumé

En bref, ce document dit : « Ne laissez pas vos petits capteurs crier de manière aléatoire jusqu'à ce qu'ils meurent. Regroupez-les en quartiers, choisissez des leaders intelligents basés sur celui qui a le plus d'énergie, laissez-les dormir quand ils ne parlent pas, et utilisez un ordinateur super intelligent à la fin pour donner du sens aux données. » Cela permet au réseau entier de fonctionner plus longtemps, plus vite et de manière plus fiable.

Résumé Technique : Modèle de déploiement de nœuds et de transmission de données dérivé des WSN utilisant le protocole de routage HEED pour les applications de réseaux IoT à grande échelle

Énoncé du problème
L'expansion rapide des applications de l'Internet des Objets (IoT) dans des domaines tels que la santé, les villes intelligentes et l'automatisation industrielle a conduit au déploiement de réseaux de capteurs sans fil (WSN) à grande échelle. Cependant, ces réseaux sont confrontés à des défis importants en matière d'efficacité énergétique, de fiabilité et de scalabilité. Les modèles traditionnels de traitement centralisé dans le cloud souffrent d'une surcharge de communication élevée, de latence et de contraintes de bande passante, particulièrement dans des environnements dynamiques où la disponibilité des nœuds et les modèles de trafic fluctuent. De plus, les protocoles de routage et de regroupement existants échouent souvent à s'adapter aux conditions de ressources limitées, entraînant une consommation d'énergie inégale, une mort prématurée des nœuds et des pertes de données. Le problème central abordé est le besoin d'un cadre adaptatif qui optimise le déploiement des nœuds, le regroupement (clustering) et la transmission des données afin de prolonger la durée de vie du réseau tout en garantissant une communication fiable et à faible latence dans les environnements IoT à grande échelle.

Méthodologie
Le document propose une architecture IoT-WSN adaptative et multicouche qui intègre un protocole de routage hybride à efficacité énergétique distribuée (HEED) avec une analyse de données basée sur l'apprentissage profond (deep learning). La méthodologie est structurée comme suit :

Architecture et déploiement du réseau :
- Le réseau est modélisé comme un système multicouche comprenant des couches de dispositifs, de clusters, de passerelles de bordure (edge gateways) et de cloud.
- Les nœuds IoT sont déployés à l'aide d'un modèle de distribution probabiliste au sein d'une région définie ( $N \times M$ ).
- La communication utilise les normes IEEE 802.11x pour le déploiement et le routage des nœuds, tandis que des normes à faible puissance (IEEE 802.15.4/ZigBee) sont utilisées pour la détection et la mise en mémoire tampon locale.
- Un mécanisme de rétroaction en boucle fermée met à jour dynamiquement les comportements des nœuds, des routes et de la transmission.
Regroupement et routage (Protocole HEED) :
- L'étude implémente un protocole HEED modifié pour le regroupement. Contrairement aux méthodes probabilistes standards, HEED sélectionne les chefs de cluster (CH) basés sur deux paramètres primaires : l'énergie résiduelle et le degré du nœud (proximité/coût de communication).
- Processus de sélection des CH : Le protocole utilise une approche itérative et distribuée. Les nœuds calculent une probabilité de devenir un CH basée sur l'énergie résiduelle ( $E_{residual}$ ) et l'énergie maximale ( $E_{max}$ ). Le coût de communication est défini par la distance entre les nœuds ( $d_{ij}$ ).
- Agrégation de données : Les CH agissent comme des agrégateurs de données, collectant les données des nœuds intra-clusters, effectuant la suppression de la redondance et la fusion, puis transmettant les données agrégées à la station de base (BS).
- Gestion de l'énergie : Le modèle incorpore un système de charge et de recharge pour maintenir les niveaux d'énergie des nœuds. Il emploie l'accès multiple par répartition temporelle (TDMA) pour l'ordonnancement intra-cluster afin de minimiser les collisions et l'écoute inactive. Un mécanisme de cycle de service (duty-cycling) dynamique fait basculer les nœuds entre les états actifs et de veille.
Intégration de l'apprentissage profond (Deep Learning) :
- Les données agrégées sont transmises à un serveur basé sur le cloud où un modèle d'apprentissage profond (DL) traite les données de séries temporelles.
- Plus précisément, un modèle de mémoire à long et court terme (LSTM) est déployé pour analyser les dépendances temporelles des données IoT pour la prédiction et la prise de décision.
- Le document explore également l'intégration des réseaux de neurones sur graphes (GNN) pour améliorer la sélection des CH en analysant les caractéristiques des nœuds (énergie, localisation, RSSI, degré) sous forme de structure de graphe ( $G = (V, E)$ ).
Simulation et évaluation :
- Le modèle de réseau est simulé à l'aide de Network Simulator 2 (NS2).
- Le jeu de données BoT-IoT (spécifiquement un sous-ensemble filtré à 5 % contenant du trafic normal et d'attaque) est utilisé pour valider les performances du système dans la détection d'anomalies et la gestion du trafic.
- Les métriques de performance incluent la durée de vie du réseau, le débit, le taux de livraison des paquets (PDR), le délai de bout en bout et la consommation d'énergie.

Principales contributions
Le document souligne ces contributions spécifiques pour améliorer la qualité de service (QoS) et l'efficacité énergétique dans les réseaux WSN basés sur l'IoT :

Déploiement adaptatif des nœuds : Un modèle de déploiement aléatoire et hiérarchique qui organise les nœuds pour une surveillance régionale, couplé à une stratégie de charge/recharge pour soutenir les niveaux d'énergie.
Protocole HEED amélioré : Implémentation de HEED pour un regroupement économe en énergie, une communication inter-clusters rentable et une gestion par division temporelle pour éviter les collisions de données et la redondance.
Agrégation de données optimisée : Sélection d'agrégateurs de données économes en énergie (CH) pour collecter et transmettre les données vers un hub, améliorant ainsi l'utilisation de la bande passante.
Intégration de l'apprentissage profond : Déploiement d'un modèle LSTM sur le serveur pour traiter les données continues de séries temporelles, améliorant la précision de la prise de décision dans les réseaux dynamiques.
Rétroaction en boucle fermée : Un modèle pour surveiller et mettre à jour dynamiquement le comportement des nœuds, les routes et les paramètres de transmission.
Cadre de simulation : Une simulation complète dans NS2 avec un traitement DL basé sur Python, comparant les résultats aux modèles existants tels que LEACH, PEGASIS et TEEN.

Résultats
Les résultats de la simulation démontrent que le modèle DL-HEED surpasse le protocole HEED standard et les autres modèles existants (LEACH, PEGASIS, DEEC) sur plusieurs métriques :

Durée de vie du réseau : DL-HEED prolonge considérablement le nombre de cycles avant la mort des nœuds. Pour 500 nœuds, DL-HEED maintient environ 250 nœuds vivants au-delà de 1500 cycles, alors que le HEED standard descend en dessous de 100 nœuds.
Taux de livraison des paquets (PDR) : DL-HEED atteint des taux de PDR plus élevés. À 500 nœuds, DL-HEED atteint 91,3 %, contre 82,5 % pour le HEED standard.
Efficacité énergétique : Le modèle proposé maintient une énergie résiduelle moyenne plus élevée. À 500 nœuds, DL-HEED conserve 0,09 J contre 0,07 J pour HEED.
Latence : DL-HEED présente un délai de bout en bout plus faible que HEED à travers différentes tailles de réseaux.
Performance de classification : En utilisant le jeu de données BoT-IoT, le modèle proposé a obtenu une précision (accuracy) de 96,4 %, une précision (precision) de 95,2 % et un score F1 de 94,9 %, surpassant le modèle de regroupement hybride (93,6 % de précision) et les modèles basés sur DEEC.

Signification et affirmations
Les auteurs affirment que cette recherche comble le fossé entre les modèles théoriques d'efficacité énergétique et les solutions IoT évolutives et réelles. En intégrant le protocole HEED à l'apprentissage profond (LSTM et GNN), le cadre offre une solution robuste pour les applications IoT de prochaine génération qui nécessitent :

Une durée de vie réseau prolongée : Grâce à une consommation d'énergie équilibrée et des stratégies de recharge.
La scalabilité : La capacité de maintenir les performances à mesure que la densité du réseau augmente de 50 à 500 nœuds.
La fiabilité : Une meilleure livraison de données et une latence réduite dans les environnements dynamiques.
Un traitement intelligent : La capacité d'effectuer une détection d'anomalies en temps réel et des analyses prédictives directement sur les données de capteurs agrégées.

Le document conclut que, bien que le modèle actuel repose sur une simulation et suppose une structure de regroupement initiale stable, il fournit une architecture adaptative fondamentale. Des travaux futurs sont identifiés comme nécessaires pour traiter la mobilité, l'implémentation matérielle et les mécanismes de sécurité renforcés.