💻 computer science

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

本文提出了一种基于自适应无线传感器网络（WSN）的物联网（IoT）节点部署与数据传输模型，该模型将 HEED 分簇协议与 IEEE 802.11x 标准以及深度学习分析相结合，旨在优化大规模物联网应用中的能量效率、延长网络寿命并提升服务质量（QoS）。

原作者： Abirama Sundari Purshothaman, C. Sankar Ram

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Abirama Sundari Purshothaman, C. Sankar Ram

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一座巨大的城市，成千上万个微小的、由电池驱动的信使（这些就是你的 IoT 传感器）散布在各处，时刻监视着交通、天气或工厂机器等事物。问题在于？这些信使的电池非常小。如果他们全都试图同时向中央总部大声呼喊他们的信息，能量会迅速耗尽，导致整座城市陷入黑暗。

这篇论文提出了一种更聪明的方式来组织这些信使，让这座城市能够存活并高效运行更长时间。以下是他们实现这一目标的方法，通过简单的概念进行了拆解：

1. “邻里队长”系统（聚类/Clustering）

与其让每一个信使都直接向总部大声呼喊（这会浪费能量），论文建议将他们组织成**“邻里”**。

类比： 想想一栋大型办公楼。与其让每位员工都走到 CEO 办公室去递交备忘录，不如把备忘录交给部门里的**“团队队长”**。队长收集所有的备忘录，将它们汇总成一份大的报告，然后走向 CEO。
论文的改进： 在这个系统中，“团队队长”（称为簇头/Cluster Heads）是根据谁剩余电量最多以及谁所处位置最好来选出的。如果一位队长累了（电量低），就会从邻里中选出一位新的队长，这样就不会有人因为过度劳累而过快枯竭。

2. “智能选择器”（HEED 协议）

论文使用了一个特定的规则手册，叫做 HEED 来挑选这些队长。

类比： 想象一场需要选出团队领导的游戏。旧的方法可能只是选离门口最近的人。但 HEED 更聪明：它会观察两件事：
1. 能量： “你的电池还有足够的电量来跑完这段差事吗？”
2. 距离： “你是否离其他团队成员足够近，以便轻松交流？”
通过平衡这两点，该系统确保了领导者既强壮，又不会让团队不得不为了被听到而过度大声叫喊。

3. “充电站”（能量管理）

论文提到了一个策略，即系统不仅仅是等待电池耗尽。

类比： 这就像一场接力赛，跑者并不仅仅是跑直到倒下。系统有一个计划在电池完全失效前进行“充电”或更换节点，从而让网络存活得更久。它还使用了“睡眠模式”（就像猫在小睡一样），即信使在不说话时关闭无线电，以节省珍贵的电池。

4. 末端的“超级大脑”（深度学习）

一旦团队队长收集齐所有报告并将其发送到总部（基站/Base Station），论文引入了一个深度学习模型（具体为 LSTM）。

类比： 想象总部收到了堆积如山的文书。与其让人类去阅读每一行字，一个**“超级大脑”计算机**（AI）能瞬间阅读摘要，识别出模式（例如“要下雨了”或“机器正在损坏”），并做出决策。
论文使用了一个网络流量数据集（包括虚假的网络攻击）进行了测试，发现这个 AI 大脑非常擅长分辨正常活动与异常情况之间的区别。

5. 结果：谁赢得了比赛？

作者运行了一个计算机模拟（虚拟试驾），以观察他们的新系统与旧方法相比表现如何。

结果： 他们的系统（他们称之为 DL-HEED）比旧系统让更多的信使存活得更久。
- 更多幸存者： 在一个拥有 500 个信使的测试中，他们的系统让大约 250 个信使保持存活并工作，而旧系统仅能维持约 100 个。
- 更快交付： 信息到达时的延迟更低（减少了交通拥堵）。
- 更高准确度： 这个 AI 大脑正确识别“攻击”或问题的准确率达到了 96.4%，这比之前的最佳模型表现更好。

总结

简而言之，这篇论文是在说：“不要让你的微型传感器随机大喊直到耗尽电量。将它们分组为邻里，根据谁能量最充沛来挑选聪明的领导者，让他们在不说话时睡觉，并在末端使用一台超级聪明的计算机来理解数据。” 这让整个网络运行得更久、更快、更可靠。

技术摘要：基于 HEED 路由协议的大规模 IoT 网络应用中 WSN 衍生的节点部署与数据传输模型

问题陈述
物联网（IoT）应用在医疗保健、智慧城市和工业自动化等领域的快速扩张，导致了大规模无线传感器网络（WSN）的部署。然而，这些网络在能量效率、可靠性和可扩展性方面面临着重大挑战。传统的集中式云处理模型在动态环境中存在通信开销高、延迟大以及带宽受限的问题，特别是在节点可用性和流量模式不断波动的环境下。此外，现有的路由和聚类协议往往无法适应资源受限的条件，导致能量消耗不均、节点过早失效以及数据丢失。核心问题在于需要一种自适应框架，通过优化节点部署、聚类和数据传输，以在大型 IoT 环境中延长网络寿命，同时确保可靠且低延迟的通信。

研究方法
本文提出了一种集成基于深度学习的数据分析与混合能量高效分布式（HEED）路由协议的自适应多层 IoT-WSN 架构。研究方法结构如下：

网络架构与部署：
- 网络被建模为一个包含设备层、集群层、边缘网关层和云层的多层系统。
- IoT 节点采用概率分布模型在定义的区域（ $N \times M$ ）内进行部署。
- 通信利用 IEEE 802.11x 标准进行节点部署和路由，而使用低功耗标准（IEEE 802.15.4/ZigBee）进行传感和本地缓冲。
- 闭环反馈机制用于动态更新节点、路由和传输行为。
聚类与路由（HEED 协议）：
- 本研究实现了一种改进的 HEHE 协议用于聚类。与标准的概率方法不同，HEED 根据两个主要参数选择簇头（CH）：剩余能量和节点度（邻近度/通信成本）。
- CH 选择过程： 该协议采用迭代、分布式的方法。节点根据剩余能量（ $E_{residual}$ ）和最大能量（ $E_{max}$ ）计算成为 CH 的概率。通信成本由节点间的距离（ $d_{ij}$ ）定义。
- 数据聚合： CH 作为数据聚合器，收集簇内节点的数据，执行冗余消除与融合，并将聚合后的数据传输至基站（BS）。
- 能量管理： 模型结合了充电与再充电系统以维持节点能量水平。它采用时分多址（TDMA）进行簇内调度，以减少冲突和空闲监听。动态占空比机制可在节点之间切换激活与睡眠状态。
深度学习集成：
- 聚合后的数据被传输到云端服务器，由深度学习（DL）模型对时间序列数据进行处理。
- 具体而言，部署了一个**长短期记忆网络（LSTM）**模型来分析 IoT 数据中的时间依赖性，以进行预测和决策。
- 论文还探讨了集成图神经网络（GNN）的应用，通过将节点特征（能量、位置、RSSI、度）作为图结构（ $G = (V, E)$ ）进行分析，从而增强 CH 的选择。
仿真与评估：
- 网络模型使用 Network Simulator 2 (NS2) 进行仿真。
- 使用 BoT-IoT 数据集（特别是包含正常及攻击流量的 5% 过滤子集）来验证系统在检测异常和管理流量方面的性能。
- 性能指标包括网络寿命、吞吐量、数据包交付率（PDR）、端到端延迟和能量消耗。

核心贡献
本文概述了在改善基于 WSN 的 IoT 网络中的服务质量（QoS）和能量效率方面的具体贡献：

自适应节点部署： 一种随机且层次化的部署模型，用于组织区域监控，并结合充电/再充电策略以维持能量水平。
增强型 HEED 协议： 实现 HEED 用于能量高效的聚类、低成本的簇间通信以及避免数据冲突和冗余的时间划分管理。
优化的数据聚合： 选择能量高效的数据聚合器（CH）来收集并向中心节点转发数据，从而提高带宽利用率。
深度学习集成： 在服务器上部署 LSTM 模型以处理连续的时间序列数据，增强动态网络中的决策准确性。
闭环反馈： 一个能够动态监测并更新节点行为、路由和传输参数的模型。
仿真框架： 一个全面的 NS2 仿真环境，结合 Python 进行 DL 处理，并与 LEACH、PEGASIS 和 TEEN 等现有模型进行对比。

结果
仿真结果表明，所提出的 DL-HEED 模型在多个指标上均优于标准 HEED 协议及其他现有模型（LEACH、PEGASIS、DEEC）：

网络寿命： DL-HEED 显著延长了节点死亡前的轮数。对于 500 个节点，DL-HEED 在 1500 轮后仍保持约 250 个活跃节点，而标准 HEED 的活跃节点则降至 100 个以下。
数据包交付率 (PDR)： DL-HEED 实现了更高的 PDR 率。在 500 个节点的情况下，DL-HEED 达到 91.3%，而标准 HEED 为 82.5%。
能量效率： 所提出的模型保持了较高的平均剩余能量。在 500 个节点时，DL-HEED 保留了 0.09 J，而 HEED 为 0.07 J。
延迟： 在不同网络规模下，DL-HEED 的端到端延迟低于 HEED。
分类性能： 使用 BoT-IoT 数据集，该模型实现了 96.4% 的准确率、95.2% 的精确率以及 94.9% 的 F1 分数，优于混合聚类模型（93.6% 准确率）和基于 DEEC 的模型。

意义与主张
作者声称，这项研究弥合了理论上的能量高效模型与可扩展的现实世界 IoT 解决方案之间的差距。通过将 HEED 协议与深度学习（LSTM 和 GNN）相结合，该框架为需要以下特性的下一代 IoT 应用提供了稳健的解决方案：

延长的网络寿命： 通过平衡的能量消耗和再充电策略实现。
可扩展性： 能够在网络密度从 50 增加到 500 个节点时保持性能。
可靠性： 在动态环境中提供改进的数据交付和降低的延迟。
智能处理： 能够直接在聚合的传感器数据上执行实时异常检测和预测分析。

论文总结道，虽然目前的模型依赖于仿真并假设了一个稳定的初始聚类结构，但它提供了一个基础性的自适应架构。研究指出，未来有必要针对移动性、硬件实现以及增强的安全机制开展进一步工作。