💻 computer science

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

Questo articolo propone un modello adattivo di distribuzione dei nodi IoT e di trasmissione dati basato su reti di sensori wireless che integra il protocollo di clustering HEED con gli standard IEEE 802.11x e l'analisi tramite deep learning per ottimizzare l'efficienza energetica, estendere la durata della rete e migliorare la Qualità del Servizio nelle applicazioni IoT su larga scala.

Autori originali: Abirama Sundari Purshothaman, C. Sankar Ram

Pubblicato 2026-06-26

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Abirama Sundari Purshothaman, C. Sankar Ram

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina una città enorme dove migliaia di piccoli messaggeri alimentati a batteria (questi sono i tuoi sensori IoT) sono sparsi ovunque per sorvegliare cose come il traffico, il meteo o le macchine di una fabbrica. Il problema? Questi messaggeri hanno batterie molto piccole. Se tutti provassero a urlare i loro messaggi contemporaneamente verso un quartier generale centrale, esaurirebbero l'energia rapidamente e la città rimarrebbe al buio.

Questo articolo propone un modo più intelligente di organizzare questi messaggeri affinché la città rimanga viva e operativa per molto più tempo. Ecco come ci sono riusciti, suddiviso in concetti semplici:

1. Il sistema del "Capitano di Quartiere" (Clustering)

Invece di far urlare ogni singolo messaggero direttamente al quartier generale principale (il che spreca energia), l'articolo suggerisce di organizzare i messaggeri in quartieri.

L'analogia: Pensa a un grande ufficio. Invece di ogni dipendente che cammina fino all'uffio del CEO per consegnare un promemoria, consegnano il promemoria a un Capitano del Team del proprio dipartimento. Il Capitano raccoglie tutti i promemoria, li riassume in un unico grande rapporto e si reca dal CEO.
Il tocco dell'articolo: In questo sistema, i "Capitani del Team" (chiamati Cluster Heads) vengono scelti in base a chi ha più batteria rimasta ed è nella posizione migliore. Se un Capitano si stanca (batteria bassa), viene scelto un nuovo capitano dal quartiere in modo che nessuno si esaurisca troppo velocemente.

2. Il "Selettore Intelligente" (Protocollo HEED)

L'articolo utilizza un regolamento specifico chiamato HEED per scegliere questi capitani.

L'analogia: Immagina un gioco in cui devi scegliere un capo squadra. I vecchi metodi potrebbero semplicemente scegliere la persona più vicina alla porta. Ma HEED è più intelligente: guarda due cose:
1. Energia: "Hai abbastanza carica nella tua batteria per fare questa commissione?"
2. Distanza: "Sei abbastanza vicino agli altri membri del team per parlare facilmente?"
Bilanciando queste due cose, il sistema assicura che i leader siano forti e che il team non debba urlare troppo forte per essere sentito.

3. La "Stazione di Ricarica" (Gestione dell'Energia)

L'articolo menziona una strategia in cui il sistema non si limita ad aspettare che le batterie si esauriscano.

L'analogia: È come una staffetta in cui i corridori non corrono solo finché non crollano. Il sistema ha un piano per "ricaricare" o sostituire i nodi prima che muovano completamente, mantenendo la rete viva più a lungo. Utilizza anche una "modalità sonno" (come un gatto che fa un pisolino) dove i messaggeri spengono le loro radio quando non stanno parlando, risparmiando preziosa batteria.

4. Il "Super-Cervello" alla fine (Deep Learning)

Una volta che i Capitani del Team hanno raccolto tutti i rapporti e li hanno inviati al quartier generale principale (la Base Station), l'articolo introduce un modello di Deep Learning (specificamente un LSTM).

L'analogia: Immagina che il quartier generale riceva una montagna di scartoffie. Invece di un essere umano che prova a leggere ogni singola riga, un computer Super-Cervello (l'IA) legge istantaneamente il riassunto, individua i modelli (come "sta per piovere" o "una macchina si sta rompendo") e prende una decisione.
L'articolo ha testato questo utilizzando un dataset di traffico di rete (inclusi attacchi informatici simulati) e ha scoperto che questo cervello IA era molto bravo a distinguere l'attività normale dai problemi.

5. I Risultati: Chi ha vinto la corsa?

Gli autori hanno eseguito una simulazione al computer (un test drive virtuale) per vedere come il loro nuovo sistema si confrontasse con i metodi più vecchi.

L'esito: Il loro nuovo sistema (che chiamano DL-HEED) ha mantenuto più messaggeri vivi più a lungo rispetto ai vecchi sistemi.
- Più sopravvissuti: In un test con 500 messaggeri, il loro sistema ne ha mantenuti circa 250 vivi e operativi, mentre il vecchio sistema ne ha mantenuti solo circa 100 vivi.
- Consegna più veloce: I messaggi sono arrivati con meno ritardo (meno ingorghi stradali).
- Migliore accuratezza: Il cervello IA ha identificato correttamente "attacchi" o problemi il 96,4% delle volte, il che è meglio dei precedenti modelli più avanzati.

Riassunto

In breve, questo articolo dice: "Non lasciare che i tuoi piccoli sensori urlino casualmente finché non muoiono. Raggruppali in quartieri, scegli leader intelligenti basandoti su chi ha più energia, lascia che dormano quando non stanno parlando e usa un computer super intelligente alla fine per dare senso ai dati". Questo mantiene l'intera rete in funzione più a lungo, più velocemente e in modo più affidabile.

Sintesi Tecnica: Modello di Distribuzione dei Nodi e Trasmissione dei Dati derivato da WSN utilizzando il Protocollo di Routing HEED per Applicazioni di Reti IoT su Larga Scala

Problematica
La rapida espansia delle applicazioni dell'Internet of Things (IoT) in domini quali l'assistenza sanitaria, le smart city e l'automazione industriale ha portato alla distribuzione di reti di sensori wireless (WSN) su larga scala. Tuttavia, queste reti affrontano sfide significative riguardanti l'efficienza energetica, l'affidabilità e la scalabilità. I modelli tradizionali di elaborazione centralizzata nel cloud soffrono di elevati costi di comunicazione, latenza e vincoli di larghezza di banda, particolarmente in ambienti dinamici dove la disponibilità dei nodi e i modelli di traffico fluttuano. Inoltre, gli esistenti protocolli di routing e clustering spesso non riescono ad adattarsi alle condizioni di risorse limitate, portando a un consumo energetico non uniforme, alla morte prematura dei nodi e alla perdita di dati. Il problema centrale affrontato è la necessità di un framework adattivo che ottimizzi la distribuzione dei nodi, il clustering e la trasmissione dei dati per estendere la durata della rete garantendo al contempo una comunicazione affidabile e a bassa latenza in ambienti IoT su larga scala.

Metodologia
Il documento propone un'architettura IoT-WSN adattiva e multi-livello che integra un protocollo di routing Hybrid Energy-Efficient Distributed (HEED) con l'analisi dei dati basata sul deep learning. La metodologia è strutturata come segue:

Architettura di Rete e Distribuzione:
- La rete è modellata come un sistema multi-livello composto da livelli di dispositivo, cluster, gateway edge e cloud.
- I nodi IoT sono distribuiti utilizzando un modello di distribuzione probabilistica all'interno di una regione definita ( $N \times M$ ).
- La comunicazione utilizza gli standard IEEE 802.11x per la distribuzione dei nodi e il routing, mentre vengono utilizzati standard a basso consumo (IEEE 802.15.4/ZigBee) per la rilevazione e il buffering locale.
- Un meccanismo di feedback a ciclo chiuso aggiorna dinamicamente i comportamenti di nodo, rotta e trasmissione.
Clustering e Routing (Protocollo HEED):
- Lo studio implementa un protocollo HEED modificato per il clustering. A differenza dei metodi probabilistici standard, HEED seleziona i Cluster Head (CH) basandosi su due parametri primari: energia residua e grado del nodo (prossimità/costo di comunicazione).
- Processo di Selezione dei CH: Il protocollo utilizza un approccio iterativo e distribuito. I nodi calcolano una probabilità di diventare un CH basata sull'energia residua ( $E_{residual}$ ) e l'energia massima ( $E_{max}$ ). Il costo di comunicazione è definito dalla distanza tra i nodi ( $d_{ij}$ ).
- Aggregazione dei Dati: I CH fungono da aggregatori di dati, raccogliendo i dati dai nodi intra-cluster, eseguendo la rimozione della ridondanza e la fusione, e trasmettendo i dati aggregati alla Base Station (BS).
- Gestione dell'Energia: Il modello incorpora un sistema di carica e ricarica per mantenere i livelli di energia dei nodi. Impiega il Time Division Multiple Access (TDMA) per la pianificazione intra-cluster al fine di minimizzare collisioni e ascolto inattivo (idle listening). Un meccanismo di duty-cycling dinamico sposta i nodi tra gli stati attivo e di sleep.
Integrazione del Deep Learning:
- I dati aggregati vengono trasmessi a un server basato su cloud dove un modello di Deep Learning (DL) elabora i dati di serie temporali.
- Nello specifico, viene implementato un modello Long Short-Term Memory (LSTM) per analizzare le dipendenze temporali nei dati IoT per scopi predittivi e decisionali.
- Il documento esplora anche l'integrazione delle Graph Neural Networks (GNN) per migliorare la selezione dei CH analizzando le caratteristiche dei nodi (energia, posizione, RSSI, grado) come una struttura a grafo ( $G = (V, E)$ ).
Simulazione e Valutazione:
- Il modello di rete è simulato utilizzando Network Simulator 2 (NS2).
- Il dataset BoT-IoT (specificamente un sottoinsieme filtrato al 5% contenente traffico normale e di attacco) viene utilizzato per validare le prestazioni del sistema nel rilevamento delle anomalie e nella gestione del traffico.
- Le metriche di prestazione includono la durata della rete, il throughput, il packet delivery ratio (PDR), il ritardo end-to-end e il consumo energetico.

Contributi Chiave
Il documento delinea i seguenti contributi specifici per migliorare la Qualità del Servizio (QoS) e l'efficienza energetica nelle reti WSN-based IoT:

Distribuzione Adattiva dei Nodi: Un modello di distribuzione casuale e gerarchica che organizza i nodi per il monitoraggio regionale, accoppiato con una strategia di carica/ricarica per sostenere i livelli energetici.
Protocollo HEED Potenziato: Implementazione di HEED per un clustering efficiente dal punto di vista energetico, comunicazione inter-cluster a basso costo e gestione della divisione temporale per evitare collisioni di dati e ridondanza.
Aggregazione dei Dati Ottimizzata: Selezione di aggregatori di dati energeticamente efficienti (CH) per raccogliere e inoltrare i dati a un hub, migliorando l'uso della larghezza di banda.
Integrazione del Deep Learning: Implementazione di un modello LSTM sul server per elaborare dati continui di serie temporali, migliorando l'accuratezza del processo decisionale in reti dinamiche.
Feedback a Ciclo Chiuso: Un modello per monitorare e aggiornare dinamicamente il comportamento dei nodi, le rotte e i parametri di trasmissione.
Framework di Simulazione: Una simulazione completa in NS2 con elaborazione DL basata su Python, confrontando i risultati con modelli esistenti come LEACH, PEGASIS e TEEN.

Risultati
I risultati della simulazione dimostrano che il modello proposto DL-HEED supera il protocollo HEED standard e altri modelli esistenti (LEACH, PEGASIS, DEEC) in diverse metriche:

Durata della Rete: Il DL-HEED estende significativamente il numero di round prima della morte del nodo. Per 500 nodi, il DL-HEED mantiene circa 250 nodi vivi oltre i 1500 round, mentre l'HEED standard scende sotto i 100 nodi.
Packet Delivery Ratio (PDR): Il DL-HEED raggiunge tassi di PDR più elevati. Con 500 nodi, il DL-HEED raggiunge il 91,3%, rispetto all'82,5% dell'HEED standard.
Efficienza Energetica: Il modello proposto mantiene un'energia residua media più elevata. Con 500 nodi, il DL-HEED conserva 0,09 J rispetto ai 0,07 J dell'HEED.
Latenza: Il DL-HEID presenta un ritardo end-to-end inferiore rispetto a HEED attraverso diverse dimensioni di rete.
Prestazioni di Classificazione: Utilizzando il dataset BoT-IoT, il modello proposto ha ottenuto un'accuratezza del 96,4%, una precisione del 95,2% e un F1-score del 94,9%, superando il modello di Clustering Ibrido (accuratezza 93,6%) e i modelli basati su DEEC.

Significatività e Rivendicazioni
Gli autori affermano che questa ricerca colma il divario tra i modelli teorici di efficienza energetica e le soluzioni IoT scalabili nel mondo reale. Integrando il protocollo HEED con il deep learning (LSTM e GNN), il framework offre una soluzione robusta per le applicazioni IoT di prossima generazione che richiedono:

Durata della Rete Estesa: Attraverso un consumo energetico bilanciato e strategie di ricarica.
Scalabilità: La capacità di mantenere le prestazioni all'aumentare della densità della rete da 50 a 500 nodi.
Affidabilità: Migliore consegna dei dati e riduzione della latenza in ambienti dinamici.
Elaborazione Intelligente: La capacità di eseguire rilevamenti di anomalie in tempo reale e analisi predittive direttamente sui dati aggregati dei sensori.

Il documento conclude che, sebbene l'attuale modello si basi sulla simulazione e assuma una struttura di clustering iniziale stabile, esso fornisce un'architettura adattiva fondamentale. Si identifica come lavoro futuro la necessità di affrontare la mobilità, l'implementazione hardware e meccanismi di sicurezza potenziati.