💻 computer science

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

Dit artikel stelt een adaptief model voor voor de uitrol van IoT-nodes en datatransmissie op basis van draadloze sensornetwerken, dat het HEED-clusterprotocol integreert met de IEEE 802.11x-standaarden en deep learning-analyse om de energie-efficiëntie te optimaliseren, de levensduur van het netwerk te verlengen en de Quality of Service te verbeteren in grootschalige IoT-toepassingen.

Oorspronkelijke auteurs: Abirama Sundari Purshothaman, C. Sankar Ram

Gepubliceerd 2026-06-26

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Abirama Sundari Purshothaman, C. Sankar Ram

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een enorme stad voor waar duizenden kleine, op batterijen werkende boodschappers (dit zijn je IoT-sensoren) overal verspreid zijn om toezicht te houden op zaken zoals verkeer, het weer of fabrieksmachines. Het probleem? Deze boodschappers hebben zeer kleine batterijen. Als ze allemaal tegelijkertijd hun berichten naar een centraal hoofdkwartier schreeuwen, raken ze snel hun energie kwijt en valt de stad stil.

Dit artikel stelt een slimmere manier voor om deze boodschappers te organiseren, zodat de stad langer leeft en blijft functioneren. Hier is hoe ze het aanpakten, onderverdeeld in eenvoudige concepten:

1. Het "Wijkkapitein"-systeem (Clustering)

In plaats van dat elke individuele boodschapper direct naar het hoofdkwartier schreeuwt (wat energie verspilt), stelt het artikel voor om ze te organiseren in wijken.

De Analogie: Denk aan een groot kantoorgebouw. In plaats van dat elke werknemer helemaal naar de kamer van de CEO loopt om een memo af te leveren, geven ze hun memo aan een Teamkapitein in hun afdeling. De kapitein verzamelt alle memo's, vat ze samen in één groot rapport, en loopt met het rapport naar de CEO.
De Twist van het Artikel: In dit systeem worden de "Teamkapiteins" (genaamd Cluster Heads) gekozen op basis van wie de meeste batterij over heeft en op de beste plek staat. Als een kapitein moe wordt (lage batterij), wordt er een nieuwe kapitein gekozen uit de wijk, zodat niemand te snel uitgeput raakt.

2. De "Slimme Selecteur" (HEED-protocol)

Het artikel gebruikt een specifiek regelboek genaamd HEED om deze kapiteins te kiezen.

De Analogie: Stel je een spel voor waarbij je een teamaanvoerder moet kiezen. Oude methoden kiezen misschien gewoon de persoon die het dichtst bij de deur staat. Maar HEED is slimmer: het kijkt naar twee dingen:
1. Energie: "Heb je genoeg sap in je batterij om deze klus te klaren?"
2. Afstand: "Ben je dichtbij genoeg bij de andere teamleden om gemakkelijk te kunnen praten?"
Door deze twee in balans te brengen, zorgt het systeem ervoor dat de leiders sterk zijn en dat het team niet te hard hoeft te schreeuwen om gehoord te worden.

3. Het "Oplaadstation" (Energibeheer)

Het artikel noemt een strategie waarbij het systeem niet alleen wacht tot de batterijen leeg zijn.

De Analogie: Het is als een estafette waarbij hardlopers niet zomaar blijven rennen tot ze instorten. Het systeem heeft een plan om te "opladen" of knooppunten te vervangen voordat ze volledig leeg zijn, om het netwerk langer in leven te houden. Het gebruikt ook een "slaapstand" (zoals een kat die een dutje doet), waarbij de boodschappers hun radio's uitzetten wanneer ze niet aan het praten zijn, wat kostbare batterij bespaart.

4. Het "Superbrein" aan het einde (Deep Learning)

Zodra de Teamkapiteins alle rapporten hebben verzameld en naar het hoofdkwartier sturen (de Base Station), introduceert het artikel een Deep Learning-model (specifiek een LSTM).

De Analogie: Stel je voor dat het hoofdkwartier een berg papierwerk ontvangt. In plaats van dat een mens elke regel probeert te lezen, leest een Superbrein-computer (de AI) direct de samenvatting, herkent patronen (zoals "het gaat regenen" of "een machine gaat kapot") en neemt een beslissing.
Het artikel heeft dit getest met een dataset van netwerkverkeer (inclusclusief nep cyberaanvallen) en vond dat dit AI-brein erg goed was in het onderscheiden van normale activiteit en problemen.

5. De Resultaten: Wie won de race?

De auteurs voerden een computersimulatie uit (een virtuele testrit) om te zien hoe hun nieuwe systeem presteerde vergeleken met oudere methoden.

De Uitkomst: Hun nieuwe systeem (dat ze DL-HEED noemen) hield meer boodschappers langer in leven dan de oude systemen.
- Meer Overlevers: In een test met 500 boodschappers hield hun systeem ongeveer 250 van hen in leven en werkend, terwijl het oude systeem slechts ongeveer 100 in leven hield.
- Snellere Levering: Berichten arriveerden met minder vertraging (minder verkeersopstoppingen).
- Betere Nauwkeurigheid: Het AI-brein identificeerde "aanvallen" of problemen in 96,4% van de gevallen correct, wat beter is dan de vorige beste modellen.

Samenvatting

Kortom, dit artikel zegt: "Laat je kleine sensoren niet willekeurig schreeuwen tot ze doodgaan. Groepeer ze in wijken, kies slimme leiders op basis van wie de meeste energie heeft, laat ze slapen wanneer ze niet aan het praten zijn, en gebruik een super-slimme computer aan het einde om de gegevens betekenis te geven." Dit houdt het hele netwerk langer, sneller en betrouwbaarder draaiende.

Technische Samenvatting: WSN-gebaseerd model voor node-implementatie en gegevensoverdracht met behulp van het HEED-routeringsprotocol voor grootschalige IoT-netwerktoepassingen

Probleemstelling
De snelle expansie van Internet of Things (IoT)-toepassingen in domeinen zoals de gezondheidszorg, smart cities en industriële automatisering heeft geleid tot de implementatie van grootschalige draadloze sensornetwerken (WSN's). Deze netwerken worden echter geconfronteerd met aanzienlijke uitdagingen met betrekking tot energie-efficiëntie, betrouwbaarheid en schaalbaarheid. Traditionele gecentraliseerde cloud-verwerkingsmodellen lijden onder hoge communicatieoverhead, latentie en bandbreedtebeperkingen, met name in dynamische omgevingen waar de beschikbaarheid van nodes en verkeerspatronen fluctueren. Bovendien schieten bestaande routerings- en clusteringprotocollen vaak tekort in resource-beperkte omstandigheden, wat leidt tot ongelijkmatige energieconsumptie, voortijdige uitval van nodes en gegevensverlies. Het kernprobleem dat wordt aangepakt, is de behoefte aan een adaptief framework dat de node-implementatie, clustering en gegevensoverdracht optimaliseert om de levensduur van het netwerk te verlengen en tegelijkertijd betrouwbare communicatie met lage latentie in grootschalige IoT-omgevingen te garanderen.

Methodologie
Het artikel stelt een adaptieve, meerlaagse IoT-WSN-architectuur voor die een Hybrid Energy-Efficient Distributed (HEED) routeringsprotocol integreert met deep learning-gebaseerde data-analyse. De methodologie is als volgt gestructureerd:

Netwerkarchitectuur en Implementatie:
- Het netwerk wordt gemodelleerd als een meerlaags systeem bestaande uit device-, cluster-, edge gateway- en cloudlagen.
- IoT-nodes worden gebruikt via een probabilistisch distributiemodel binnen een gedefinieerd gebied ( $N \times M$ ).
- Communicatie maakt gebruik van IEEE 802.11x-standaarden voor node-implementatie en routering, terwijl low-power standaarden (IEEE 802.15.4/ZigBee) worden gebruikt voor sensing en lokale buffering.
- Een closed-loop feedbackmechanisme werkt de node-, route- en transmissiegedragingen dynamisch bij.
Clustering en Routering (HEED Protocol):
- De studie implementeert een aangepast HEED-protocol voor clustering. In tegenstelling tot standaard probabilistische methoden selecteert HEED Cluster Heads (CH's) op basis van twee primaire parameters: resterende energie en node-graad (nabijheid/communicatiekosten).
- CH Selectieproces: Het protocol gebruikt een iteratieve, gedistribueerde aanpak. Nodes berekenen een waarschijnlijkheid om een CH te worden op basis van resterende energie ( $E_{residual}$ ) en maximale energie ( $E_{max}$ ). De communicatiekosten worden gedefinieerd door de afstand tussen nodes ( $d_{ij}$ ).
- Data-aggregatie: CH's fungeren als data-aggregatoren, verzamelen data van intra-cluster nodes, voeren redundantieverwijdering en fusie uit, en verzenden geaggregeerde data naar de Base Station (BS).
- Energiebeheer: Het model bevat een laad- en opladingsysteem om de energieniveaus van nodes op peil te houden. Het maakt gebruik van Time Division Multiple Access (TDMA) voor intra-cluster planning om botsingen en idle listening te minimaliseren. Een dynamisch duty-cycling mechanisme schakelt nodes tussen actieve en slaapstanden.
Deep Learning Integratie:
- Geaggregeerde data wordt verzonden naar een cloud-gebaseerde server waar een Deep Learning (DL) model de tijdreeksdata verwerkt.
- Specifiek wordt een Long Short-Term Memory (LSTM) model ingezet om temporele afhankelijkheden in de IoT-data te analyseren voor voorspelling en besluitvorming.
- Het artikel verkent ook de integratie van Graph Neural Networks (GNN) om de CH-selectie te verbeteren door node-kenmerken (energie, locatie, RSSI, graad) te analyseren als een graafstructuur ( $G = (V, E)$ ).
Simulatie en Evaluatie:
- Het netwerkmodel wordt gesimuleerd met behulp van Network Simulator 2 (NS2).
- De BoT-IoT dataset (specifiek een gefilterde subset van 5% met normaal en aanvalverkeer) wordt gebruikt om de prestaties van het systeem te valideren bij het detecteren van anomalieën en het beheren van verkeer.
- Prestatie-indicatoren zijn onder meer de levensduur van het netwerk, doorvoer, packet delivery ratio (PDR), end-to-end delay en energieconsumptie.

Belangrijkste Bijdragen
Het artikel schetst de volgende specifieke bijdragen aan het verbeteren van de Quality of Service (QoS) en energie-efficiëntie in WSN-gebaseerde IoT-netwerken:

Adaptieve Node-implementatie: Een random en hiërarchisch implementatiemodel dat nodes organiseert voor regionale monitoring, gekoppeld aan een laad-/opladingsstrategie om energieniveaus te handhaven.
Verbeterd HEED Protocol: Implementatie van HEED voor energie-efficiënte clustering, kosteneffectieve inter-cluster communicatie en tijdverdelingbeheer om data-botsingen en redundantie te voorkomen.
Geoptimaliseerde Data-aggregatie: Selectie van energie-efficiënte data-aggregatoren (CH's) om data te verzamelen en door te sturen naar een hub, wat het bandbreedtegebruik verbetert.
Deep Learning Integratie: Inzet van een LSTM-model op de server om continue tijdreeksdata te verwerken, wat de nauwkeurigheid van de besluitvorming in dynamische netwerken verbetert.
Closed-Loop Feedback: Een model om nodegedrag, routes en transmissieparameters dynamisch te monitoren en bij te werken.
Simulatieframework: Een uitgebreide simulatie in NS2 met Python-gebaseerde DL-verwerking, waarbij resultaten worden vergeleken met bestaande modellen zoals LEACH, PEGASIS en TEEN.

Resultaten
De simulatieresultaten laten zien dat het voorgestelde DL-HEED model de standaard HEED-protocol en andere bestaande modellen (LEACH, PEGASIS, DEEC) overtreft op verschillende metrieken:

Levensduur van het Netwerk: DL-HEED verlengt de levensduur van het netwerk aanzienlijk in termen van het aantal rondes voordat nodes uitvallen. Voor 500 nodes behoudt DL-HEED ongeveer 250 actieve nodes voorbij 1500 rondes, terwijl standaard HEED onder de 100 nodes zakt.
Packet Delivery Ratio (PDR): DL-HEED bereikt hogere PDR-percentages. Bij 500 nodes bereikt DL-HEED 91,3%, vergeleken met 82,5% voor standaard HEED.
Energie-efficiëntie: Het voorgestelde model behoudt een hogere gemiddelde resterende energie. Bij 500 nodes behoudt DL-HEED 0,09 J vergeleken met 0,07 J voor HEED.
Latentie: DL-HEED vertoont een lagere end-to-end delay vergeleken met HEED over variërende netwerkgroottes.
Classificatieprestaties: Gebruikmakend van de BoT-IoT dataset behaalde het voorgestelde model een nauwkeurigheid van 96,4%, een precisie van 95,2% en een F1-score van 94,9%, waarmee het de Hybrid Clustering Model (93,6% nauwkeurigheid) en DEEC-gebaseerde modellen overtreft.

Betekenis en Claims
De auteurs claimen dat dit onderzoek de kloof overbrugt tussen theoretische energie-efficiënte modellen en schaalbare, real-world IoT-oplossingen. Door het HEED-protocol te integreren met deep learning (LSTM en GNN), biedt het framework een robuuste oplossing voor volgende generatie IoT-toepassingen die vereisen:

Verlengde Levensduur van het Netwerk: Door gebalanceerde energieconsumptie en oplaadstrategieën.
Schaalbaarheid: Het vermogen om prestaties te handhaven naarmate de netwerkdichtheid toeneemt van 50 naar 500 nodes.
Betrouwbaarheid: Verbeterde gegevenslevering en verminderde latentie in dynamische omgevingen.
Intelligente Verwerking: Het vermogen om real-time anomaliedetectie en voorspellende analyses direct op geaggregeerde sensordata uit te voeren.

Het artikel concludeert dat hoewel het huidige model afhankelijk is van simulatie en uitgaat van een stabiele initiële clusteringstructuur, het een fundamentele adaptieve architectuur biedt. Toekomstig werk wordt geïdentificeerd als noodzakelijk om mobiliteit, hardware-implementatie en verbeterde beveiligingsmechanismen aan te pakken.