💻 computer science

A Lightweight, Distributed Energy-Aware Clustering Algorithm for Heterogeneous IoT Sensor Networks Using Adaptive Thresholding

Questo articolo propone AdaHet-Clust, un algoritmo di clustering distribuito leggero che utilizza la soglia adattiva per selezionare dinamicamente i cluster head in base alle condizioni energetiche locali nelle reti IoT eterogenee, estendendo così significativamente la durata della rete e riducendo l'overhead di controllo rispetto ai metodi esistenti.

Autori originali: Naeem A. Askar, Ismail Y. Maolood, Azad A. Ameen

Pubblicato 2026-09-14

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Naeem A. Askar, Ismail Y. Maolood, Azad A. Ameen

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

Negli angoli silenziosi del nostro mondo, dalle foreste remote ai meccanismi interni delle fabbriche, piccoli sentinelle elettroniche montano la guardia. Questi sono i nodi sensoriali wireless, il sistema nervoso dell'Internet delle Cose. Sono piccoli dispositivi alimentati a batteria progettati per raccogliere dati sul proprio ambiente — temperatura, umidità, vibrazione — e inviare tali informazioni a un hub centrale. Poiché vengono spesso posizionati in luoghi difficili da raggiungere, sostituire le loro batterie è difficile o impossibile. Pertanto, la sfida più critica per queste reti non è solo la raccolta dei dati, ma farlo conservando ogni goccia di energia per garantire che sopravvivano per anni. Per gestire questo aspetto, gli ingegneri spesso raggruppano questi sensori in squadre chiamate cluster. In ogni squadra, un nodo viene scelto per agire come leader, raccogliendo le informazioni dai suoi vicini e inviando un rapporto consolidato alla stazione principale. Questa strategia risparmia energia perché il leader svolge il lavoro pesante della comunicazione a lunga distanza, permettendo agli altri di riposare. Tuttavia, sorge un problema maggiore quando i sensori in una rete non sono tutti uguali. Nelle implementazioni del mondo reale, alcuni dispositivi potrebbero avere batterie grandi e potenti, mentre altri sono più deboli. Se il sistema sceglie ciecamente un leader senza considerare queste differenze, un nodo debole potrebbe essere selezionato, esaurire rapidamente l'energia e morire, lasciando un vuoto nella copertura della rete.

I ricercatori Naeem A. Askar, Ismail Y. Maolood e Azad A. Ameen hanno proposto un nuovo modo per risolvere questo specifico problema delle reti a forza mista. Hanno sviluppato un metodo chiamato AdaHet-Clust, un sistema che consente ai nodi sensoriali di organizzarsi senza la necessità di un computer centrale che dica loro cosa fare. Invece di affidarsi a regole fisse o probabilità preimpostate, il loro approccio permette a ogni nodo di prendere la propria decisione basandosi sui propri livelli di energia attuali e sui livelli di energia dei propri vicini immediati. Il sistema utilizza una soglia dinamica, che funge da obiettivo mobile per la leadership. Man mano che l'energia complessiva della rete inizia a svanire nel tempo, questo obiettivo si adatta automaticamente, diventando più aggressivo nella selezione dei leader per garantire che la rete rimanga connessa. Fondamentalmente, il sistema è progettato per riconoscere che alcuni nodi sono più forti di altri. Esso conferisce un vantaggio naturale ai nodi con maggiore energia residua e maggiore capacità, assicurando che l'onere della leadership ricada su coloro che sono meglio equipaggiati per sostenerlo. Se due potenziali leader sono troppo vicini tra loro, il sistema utilizza una regola deterministica semplice per decidere quale dei due rimanga, evitando confusione e spreco di energia.

I ricercatori hanno testato la loro idea attraverso estese simulazioni al computer, creando un ambiente virtuale con cento nodi sensoriali sparsi in un'area di duecento metri per duecento metri. In questa simulazione, hanno introdotto una miscela di forze dei nodi: metà aveva una bassa capacità energetica, il trenta per cento una capacità media e il venti per cento una capacità alta. Hanno confrontato il loro nuovo metodo con diverse strategie esistenti, inclusi protocolli più vecchi e ben noti che assumono che tutti i nodi siano identici o si affidano a regole statiche. I risultati hanno mostrato un chiaro miglioramento nel modo in cui la rete poteva sopravvivere. In queste simulazioni, il primo nodo della rete è morto dopo circa 1.651 round di raccolta dati, il che rappresenta un aumento significativo rispetto agli altri metodi. Nello specifico, ciò ha rappresentato un miglioramento del sedici virgola tre per cento rispetto a un principale concorrente e un miglioramento del quarantanove per cento rispetto a un altro. La rete è durata più a lungo prima che la metà dei nodi fallisse, e anche quando la rete si avvicinava alla fine, il nuovo metodo manteneva in vita più nodi rispetto alle alternative.

Oltre a estendere la vita della rete, il nuovo metodo si è dimostrato più efficiente nella gestione della comunicazione. I ricercatori hanno misurato la quantità di dati di controllo scambiati per organizzare i cluster, scoprendo che il loro sistema richiedeva il ventiquattro virgola uno per cento in meno di overhead di comunicazione rispetto al concorrente basato su gateway. Questa riduzione è vitale perché l'invio di messaggi consuma una parte significativa della batteria di un sensore. Le simulazioni hanno anche rivelato che il sistema era robusto; ha performato costantemente bene anche quando i ricercatori hanno leggermente modificato le impostazioni o quando la dimensione della rete è cresciuta da cinquanta a cinquecento nodi. Il metodo ha mantenuto il suo vantaggio attraverso diversi livelli di diversità dei nodi, provando che la sua capacità di adattarsi alle condizioni energetiche locali era più efficace delle regole statiche o degli approcci che richiedevano hardware gateway speciali.

Lo studio conferma che un approccio completamente distribuito, in cui ogni nodo agisce in modo indipendente ma cooperativo, può gestire la complessità delle reti a forza mista meglio dei metodi più vecchi, centralizzati o statici. Regolandosi continuamente in base allo stato energetico in tempo reale della rete e dando priorità ai nodi più forti per i ruoli di leadership, il sistema evita la morte prematura dei sensori deboli e previene i buchi energetici che spesso frammentano una rete. I ricercatori hanno dimostrato che questo algoritmo leggero non richiede dati di addestramento, processori potenti o infrastrutture esterne, rendendolo una soluzione pratica per gli ambienti diversificati e con risorse limitate in cui l'Internet delle Cose è sempre più distribuito. I risultati suggeriscono che, lasciando che la rete si autoregoli in base alle condizioni locali, possiamo estendere significativamente la vita operativa di questi sistemi di monitoraggio critici senza aggiungere costi o complessità.

Sintesi Tecnica: AdaHet-Clust

Problema

Le reti di sensori Internet of Things (IoT) eterogenee, caratterizzate da nodi con capacità energetiche, potenze computazionali e portate di comunicazione variabili, affrontano sfide significative nel massimizzare la durata della rete e mantenere l'efficienza operativa. Gli algoritmi di clustering esistenti spesso si affidano a un controllo centralizzato, valori di soglia fissi o assunzioni di caratteristiche omogenee dei nodi, il che ne limita l'efficacia in ambienti IoT diversificati.

Limitazioni specifiche negli attuali protocolli allo stato dell'arte includono:

Assunzioni di Omogeneità: Protocolli come LEACH e HEED assumono capacità dei nodi identiche, portando alla morte prematura dei nodi a bassa energia selezionati come Cluster Head (CH).
Adattamento Statico: Algoritmi come DEEC e EDEEC utilizzano pesi statici basati sui rapporti energetici iniziali, fallendo nell'adattarsi ai cambiamenti dinamici nella distribuzione dell'energia residua.
Dipendenza dall'Infrastruttura: I protocolli come HMGEAR richiedono infrastrutture dedicate per i gateway, introducendo costi hardware e singoli punti di guasto.
Overhead Computazionale: Gli approcci basati sul machine learning (ad es., HEOCP) e gli algoritmi metaeuristici (ad es., CLLDOA-ECP) spesso richiedono dataset di addestramento estesi, accelerazione GPU o computazione centralizzata, rendendoli inadatti per dispositivi IoT con risorse limitate.

Metodologia: AdaHet-Clust

Il documento propone AdaHet-Clust (Adaptive Heterogeneous Clustering), un algoritmo leggero e completamente distribuito progettato per operare senza coordinamento centralizzato o infrastruttura esterna. L'algoritmo opera in round, ciascuno composto da cinque fasi distinte:

Setup: I nodi trasmettono l'energia residua ai vicini a un salto (one-hop) per calcolare l'energia media locale ( $E_{avg\_local}$ ).
Elezione del CH: Ogni nodo calcola indipendentemente una probabilità di elezione del CH ( $P_{ch}$ $P_{c h}$ ) utilizzando una formula composita che integra:
- Rapporto di Energia Residua: Energia corrente rispetto alla media locale.
- Fattore di Eterogeneità Dinamico ( $\alpha$ ): Prioritizza i nodi con una maggiore capacità di energia massima rispetto ai vicini.
- Fattore di Distanza ( $\beta$ ): Favorisce i nodi più vicini alla Base Station (BS).
- Vitalità della Rete ( $\gamma$ ): Si regola in base al rapporto tra i nodi vivi e il totale dei nodi.
- Soglia Adattiva ( $T_{adapt}$ ): Regola dinamicamente la soglia di elezione in base al rapporto tra l'energia totale rimanente della rete e l'energia totale iniziale, diventando più aggressiva man mano che l'energia si esaurisce.
Risoluzione delle Collisioni: Un meccanismo deterministico a due salti risolve i conflitti in cui esistono più CH in prossimità. Il nodo con il punteggio più alto, definito come $Score = E_{res} / (1 + deg)$ , viene mantenuto come CH. I pareggi sono risolti tramite la massima energia iniziale e, successivamente, il minor ID del nodo.
Formazione del Cluster: I nodi non-CH si uniscono al CH più vicino in base alla forza del segnale, e i CH stabiliscono programmi TDMA.
Trasmissione dei Dati: I membri trasmettono i dati negli slot assegnati; i CH aggregano i dati e li inoltrano alla BS tramite trasmissione diretta (se vicini) o routing multi-hop (se distanti).

Contributi Chiave

Lo studio delinea quattro contributi primari:

Operatività Completamente Distribuita: Un algoritmo leggero in cui i nodi determinano indipendentemente le probabilità di elezione del CH utilizzando solo informazioni locali, eliminando la necessità di conoscenze globali o controller centralizzati.
Soglia Adattiva in Tempo Reale: Un meccanismo che regola dinamicamente il processo di elezione del CH in risposta ai modelli di esaurimento energetico dell'intera rete senza riconfigurazione manuale.
Risoluzione Deterministica delle Collisioni: Una strategia di risoluzione a due salti che garantisce un posizionamento ottimale del CH selezionando il nodo con l'energia residua più alta e il grado più basso, prevenendo la contesa.
Framework Teorico: La proposta è supportata da sette teoremi formali che analizzano la complessità temporale ( $O(1)$ per round), la complessità di messaggi ( $O(N)$ ), la complessità di spazio ($O(deg)$), i limiti energetici, la convergenza e la scalabilità.

Risultati della Simulazione

Simulazioni estese condotte in MATLAB (100 nodi, area di 200x200 m²) hanno confrontato AdaHet-Clust con LEACH, DEEC e HMGEAR in condizioni eterogenee (50% nodi a bassa energia, 30% media, 20% alta energia).

Durata della Rete: AdaHet-Clust ha raggiunto una Prima Morte del Nodo (FND) di 1651 round, rappresentando un miglioramento del 16,3% rispetto a HMGEAR e un miglioramento del 49,0% rispetto a DEEC. La Metà Morte del Nodo (HND) ha raggiunto i 2654 round, superando HMGEAR del 14,9% e DEEC del 39,9%.
Uniformità Energetica: Al punto HND, AdaHet-Clust ha dimostrato una distribuzione dell'energia superiore con una deviazione standard di 0,149 J, significativamente inferiore a HMGEAR (0,175 J), DEEC (0,221 J) e LEACH (0,452 J).
Overhead di Controllo: L'algoritmo ha ridotto l'overhead di controllo del 24,1% rispetto a HMGEAR (34,9 KB/round contro 46,0 KB/round) e del 41,1% rispetto a DEEC, mantenendo un rapporto favorevole rispetto al minore overhead di LEACH ma con una durata significativamente più breve.
Scalabilità e Robustezza: Le prestazioni sono rimaste costanti all'aumentare della dimensione della rete da 50 a 500 nodi. L'algoritmo ha mostrato robustezza alla misconfigurazione dei parametri, con variazioni di prestazione di soli ±2,5% entro l'intervallo $P_{opt}$ ottimale (0,04–0,06).

Significato e Rivendicazioni

Il documento sostiene che AdaHet-Clust affronta lacune critiche nel clustering IoT eterogeneo combinando il rapporto di energia locale dinamico, la soglia adattiva in tempo reale e la risoluzione deterministica delle collisioni. La sua importanza risiede in:

Eliminazione delle Dipendenze Infrastrutturali: A differenza di HMGEAR, non richiede nodi gateway, riducendo i costi hardware e i singoli punti di guasto.
Adattabilità: A differenza dei protocolli a peso statico (DEEC, EDEEC), si adatta continuamente all'esaurimento dell'energia e all'eterogeneità dei nodi.
Efficienza: Ottiene guadagni sostanziali nella durata della rete e nel bilanciamento dell'energia mantenendo un basso overhead computazionale e di comunicazione adatto a dispositivi con risorse limitate.

Gli autori concludono che AdaHet-Clust è unicamente adatto per implementazioni IoT eterogenee su larga scala dove la diversità dei nodi, i vincoli di risorse e la longevità della rete sono considerazioni progettuali critiche. Il lavoro futuro suggerisce di esplorare il supporto alla mobilità, il routing intra-cluster multi-hop, l'integrazione del recupero energetico (energy harvesting) e meccanismi di sicurezza leggeri.