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

Resumo Técnico: Modelo de Implementação de Nós e Transmissão de Dados Derivado de WSN Utilizando o Protocolo de Roteamento HEED para Aplicações de Redes IoT de Grande Escala

Declaração do Problema
A rápida expansão das aplicações de Internet das Coisas (IoT) em domínios como saúde, cidades inteligentes e automação industrial levou à implementação de Redes de Sensores Sem Fio (WSNs) de grande escala. No entanto, essas redes enfrentam desafios significativos em relação à eficiência energética, confiabilidade e escalabilidade. Os modelos tradicionais de processamento centralizado em nuvem sofrem com alto overhead de comunicação, latência e restrições de largura de banda, particularmente em ambientes dinâmicos onde a disponibilidade de nós e os padrões de tráfego flutuam. Além disso, protocolos de roteamento e agrupamento existentes frequentemente falham em se adaptar a condições de recursos limitados, levando ao consumo desigual de energia, morte prematura de nós e perda de dados. O problema central abordado é a necessidade de um framework adaptativo que otimize a implementação de nós, o agrupamento (clustering) e a transmissão de dados para estender a vida útil da rede, garantindo simultaneamente uma comunicação confiável e de baixa latência em ambientes IoT de grande escala.

Metodologia
O artigo propõe uma arquitetura IoT multi-camadas adaptativa que integra um protocolo de roteamento Híbrido de Eficiência Energética Distribuída (HEED) com análise de dados baseada em aprendizado profundo (deep learning). A metodologia é estruturada da seguinte forma:

1. Arquitetura de Rede e Implementação:

   • A rede é modelada como um sistema de múltiplas camadas compreendendo as camadas de dispositivo, cluster, gateway de borda (edge gateway) e nuvem.
   • Os nós de IoT são implantados usando um modelo de distribuição probabilística dentro de uma região ($N \times M$).
   • A comunicação utiliza padrões IEEE 802.11x para implementação de nós e roteamento, enquanto padrões de baixo consumo (IEEE 802.15.4/ZigBee) são usados para sensoriamento e buffering local.
   • Um mecanismo de feedback de malha fechada atualiza dinamicamente o comportamento dos nós, rotas e transmissões.

2. Agrupamento e Roteamento (Protocolo HEED):

   • O estudo implementa um protocolo HEED modificado para agrupamento. Diferente dos métodos probabilísticos padrão, o HEED seleciona Chefes de Cluster (CHs) baseando-se em dois parâmetros primários: energia residual e grau do nó (proximidade/custo de comunicação).
   • Processo de Seleção de CH: O protocolo utiliza uma abordagem iterativa e distribuída. Os nós calculam uma probabilidade de se tornarem um CH baseada na energia residual ($E_{residual}$) e na energia máxima ($E_{max}$). O custo de comunicação é definido pela distância entre os nós ($d_{ij}$).
   • Agregação de Dados: Os CHs atuam como agregadores de dados, coletando dados de nós intra-cluster, realizando a remoção de redundância e fusão, e transmitindo os dados agregados para a Estação Base (BS).
   • Gestão de Energia: O modelo incorpora um sistema de carga e recarga para manter os níveis de energia dos nós. Emprega o Acesso Múltiplo por Divisão de Tempo (TDMA) para o escalonamento intra-cluster a fim de minimizar colisões e escuta ociosa (idle listening). Um mecanismo de ciclo de trabalho (duty-cycling) dinâmico alterna os nós entre estados ativos e de sono.

3. Integração de Aprendizado Profundo (Deep Learning):

   • Os dados agregados são transmitidos para um servidor baseado em nuvem onde um modelo de Deep Learning (DL) processa os dados de séries temporais.
   • Especificamente, um modelo de Memória de Longo Prazo de Curto Prazo (Long Short-Term Memory - LSTM) é implantado para analisar dependências temporais nos dados de IoT para fins de previsão e tomada de decisão.
   • O artigo também explora a integração de Redes Neurais de Grafos (GNN) para aprimorar a seleção de CH ao analisar características dos nós (energia, localização, RSSI, grau) como uma estrutura de grafo ($G = (V, E)$).

4. Simulação e Avaliação:

   • O modelo de rede é simulado utilizando o Network Simulator 2 (NS2).
   • O conjunto de dados BoT-IoT (especificamente um subconjunto filtrado de 5% contendo tráfego normal e de ataque) é usado para validar o desempenho do sistema na detecção de anomalias e gestão de tráfego.
   • As métricas de desempenho incluem vida útil da rede, vazão (throughput), razão de entrega de pacotes (PDR), atraso fim-a-fim e consumo de energia.

Principais Contribuições
O artigo descreve as seguintes contribuições específicas para melhorar a Qualidade de Serviço (QoS) e a eficiência energética em redes WSN baseadas em IoT:

• Implementação Adaptativa de Nós: Um modelo de implementação aleatório e hierárquico que organiza os nós para monitoramento regional, aliado a uma estratégia de carga/recarga para sustentar os níveis de energia.
• Protocolo HEED Aprimorado: Implementação do HEED para agrupamento eficiente em termos de energia, comunicação inter-cluster de baixo custo e gestão por divisão de tempo para evitar colisões de dados e redundância.
• Agregação de Dados Otimizada: Seleção de agregadores de dados energeticamente eficientes (CHs) para coletar e encaminhar dados para um hub, melhorando o uso da largura de banda.
• Integração de Deep Learning: Implantação de um modelo LSTM no servidor para processar dados contínuos de séries temporais, aumentando a precisão da tomada de decisão em redes dinâmicas.
• Feedback de Malha Fechada: Um modelo para monitorar e atualizar dinamicamente o comportamento dos nós, rotas e parâmetros de transmissão.
• Framework de Simulação: Uma simulação abrangente no NS2 com processamento de DL baseado em Python, comparando resultados com modelos existentes como LEACH, PEGASIS e TEEN.

Resultos
Os resultados da simulação demonstram que o modelo DL-HEED supera o protocolo HEED padrão e outros modelos existentes (LEACH, PEGASIS, DEEC) em diversas métricas:

• Vida Útil da Rede: O DL-HEED estende significativamente o número de rodadas antes da morte dos nós. Para 500 nós, o DL-HEHE mantém aproximadamente 250 nós vivos além de 1500 rodadas, enquanto o HEED padrão cai abaixo de 100 nós.
• Razão de Entrega de Pacotes (PDR): O DL-HEED alcança taxas de PDR mais altas. Com 500 nós, o DL-HEED atinge 91,3%, comparado a 82,5% do HEED padrão.
• Eficiência Energética: O modelo proposto mantém uma maior energia residual média. Com 500 nós, o DL-HEED retém 0,09 J comparado a 0,07 J para o HEED.
• Latência: O DL-HEED apresenta menor atraso fim-a-fim em comparação ao HEED em diferentes tamanhos de rede.
• Desempenho de Classificação: Usando o conjunto de dados BoT-IoT, o modelo proposto alcançou uma acurácia de 96,4%, uma precisão de 95,2% e um F1-score de 94,9%, superando o Modelo de Agrupamento Híbrido (93,6% de acurácia) e modelos baseados em DEEC.

Significância e Alegações
Os autores afirmam que esta pesquisa preenche a lacuna entre modelos teóricos de eficiência energética e soluções de IoT escaláveis para o mundo real. Ao integrar o protocolo HEED com aprendizado profundo (LSTM e GNN), o framework oferece uma solução robusta para aplicações IoT de próxima geração que exigem:

• Vida Útil de Rede Estendida: Através do equilíbrio do consumo de energia e estratégias de recarga.
• Escalabilidade: A capacidade de manter o desempenho conforme a densidade da rede aumenta de 50 para 500 nós.
• Confiabilidade: Melhor entrega de dados e redução de latência em ambientes dinâmicos.
• Processamento Inteligente: A capacidade de realizar detecção de anomalias em tempo real e análises preditivas diretamente nos dados agregados dos sensores.

O artigo conclui que, embora o modelo atual dependa de simulação e assuma uma estrutura de agrupamento inicial estável, ele fornece uma arquitetura adaptativa fundamental. Trabalhos futuros são identificados como necessários para abordar mobilidade, implementação de hardware e mecanismos de segurança aprimorados.