💻 computer science

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

本文提出了一种名为 AdaHet-Clust 的轻量级分布式聚类算法，该算法利用自适应阈值技术，根据异构物联网网络中的局部能量状况动态选择簇头，从而与现有方法相比，显著延长了网络寿命并降低了控制开销。

原作者： Naeem A. Askar, Ismail Y. Maolood, Azad A. Ameen

发布于 2026-09-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Naeem A. Askar, Ismail Y. Maolood, Azad A. Ameen

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

在世界的寂静角落，从偏远的森林到工厂的内部运作，微小的电子哨兵正伫立守望。这些就是无线传感器节点，是物联网（IoT）的神经系统。它们是小型、电池驱动的设备，旨在收集周围环境的数据——如温度、湿度、振动——并将这些信息发送到一个中央枢纽。由于它们通常被放置在难以触及的位置，更换电池既困难甚至是不可能的。因此，这些网络面临的最关键挑战不仅在于收集数据，还在于如何在节省每一滴能量的同时进行数据采集，以确保它们能够存活多年。为了管理这一点，工程师通常将这些传感器分组为被称为“簇”（clusters）的团队。在每个团队中，会选出一个节点担任领导者，负责收集其邻居的信息并向主站发送一份汇总报告。这种策略可以节省能量，因为由领导者承担长距离通信的重任，从而让其他节点得以休息。然而，当网络中的传感器并不完全相同时，一个重大的问题就出现了。在现实世界的部署中，有些设备的电池可能很大且功能强大，而另一些则较弱。如果系统在不考虑这些差异的情况下盲目选择领导者，可能会选中一个弱小的节点，导致其迅速耗尽电量并失效，从而在网络的覆盖范围中留下空白。

研究人员 Naeem A. Askar、Ismail Y. Maolood 和 Azad A. Ameen 提出了一种新方法来解决混合强度网络中的这一特定问题。他们开发了一种名为 AdaHet-Clust 的方法，该系统允许传感器节点在不需要中央计算机指示的情况下进行自我组织。该方法并非依赖固定的规则或预设的概率，而是让每个节点根据其当前的能量水平以及其直接邻居的能量水平来做出自己的决策。该系统使用了一个动态阈值，它就像一个移动的目标来争夺领导权。随着网络整体能量随时间逐渐衰减，这个目标会自动调整，变得更具“侵略性”地选择领导者，以确保网络保持连接。至关重要的是，该系统旨在识别某些节点比其他节点更强。它赋予了剩余能量更高、容量更大的节点天然优势，确保领导的重担落在那些最有能力承担的人身上。如果两个潜在的领导者靠得太近，系统会使用一个简单的确定性规则来决定哪一个保留，以防止混乱和能量浪费。

研究人员通过广泛的计算机模拟测试了他们的想法，创建了一个虚拟环境，其中分布着一百个传感器节点，散布在一个两百米乘以两百米的区域内。在这次模拟中，他们引入了混合的节点强度：一半具有低能量容量，30% 为中等容量，20% 为高容量。他们将这种新方法与几种现有的策略进行了对比，其中包括那些假设所有节点都是相同的或依赖静态规则的知名旧协议。结果显示，在延长网络寿命方面有明显的改进。在这些模拟中，网络中的第一个节点在经过大约 1,651 轮数据采集后死亡，这与其它方法相比是一个显著的增长。具体而言，这比一个领先的竞争对手提高了 16.3%，比另一个提高了 49%。该网络在有一半节点失效之前也维持了更长时间，并且即使在网络接近终结时，新方法也比替代方案保留了更多的存活节点。

除了延长网络寿命外，这种新方法在管理通信方面也表现得更加高效。研究人员测量了用于组织集群的控制数据的往返传输量，发现其系统的通信开销比基于网关的竞争对手减少了 24.1%。这种减少至关重要，因为发送消息会消耗传感器的大部分电池。模拟还表明，该系统具有鲁棒性；即使研究人员稍微改变设置或将网络规模从 50 个节点扩大到 500 个节点，它也能表现得非常稳定。该方法在不同的节点多样性水平下都保持了其优势，证明了其基于局部能量状况进行自适应的能力比静态规则或需要特殊硬件网关的方法更为有效。

这项研究证实，一种每个节点都独立但又相互协作的全分布式方法，能够比旧有的、中心化的或静态的方法更好地处理混合强度网络的复杂性。通过不断调整以适应网络的实时能量状态，并优先考虑较强的节点担任领导角色，该系统防止了弱传感器过早死亡，并避免了经常导致网络破碎的“能量空洞”。研究人员证明，这种轻量级的算法不需要训练数据、强大的处理器或外部基础设施，使其成为日益普及的物联网所面临的多样化且资源受限环境中的实用解决方案。研究结果表明，通过让网络根据局部条件进行自我调节，我们可以在不增加成本或复杂性的情况下，显著延长这些关键监测系统的运行寿命。

技术摘要：AdaHet-Clust

问题陈述

异构物联网（IoT）传感器网络具有节点能量容量、计算能力和通信范围各不相同的特征，面临着如何最大化网络寿命并维持运行效率的重大挑战。现有的聚类算法通常依赖于集中式控制、固定阈值或对节点同质性的假设，这限制了它们在多样化物联网环境中的有效性。

当前最先进协议的具体局限性包括：

同质性假设： LEACH 和 HEED 等协议假设节点能力相同，导致被选为簇头（CH）的低能量节点过早死亡。
静态自适应： DEEC 和 EDEEC 等算法利用基于初始能量比例的静态权重，无法适应剩余能量分布的动态变化。
基础设施依赖： HMGEAR 等协议需要专门的网关基础设施，这引入了硬件成本和单点故障风险。
计算开销： 机器学习方法（如 HEOCP）和元启发式算法（如 CLLDOA-ECP）通常需要大量的训练数据集、GPU 加速或集中式计算，使其不适用于资源受限的物联网设备。

方法论：AdaHet-Clust

本文提出了 AdaHet-Clust（自适应异构聚类），这是一种轻量级的、完全分布式的算法，旨在无需集中式协调或外部基础设施的情况下运行。该算法按轮次（rounds）运行，每一轮包含五个不同的阶段：

设置阶段（Setup）： 节点向一跳邻居广播剩余能量，以计算局部平均能量（ $E_{avg\_local}$ ）。
簇头选举阶段（CH Election）： 每个节点独立计算簇头选举概率（ $P_{ch}$ $P_{c h}$ ），该概率通过一个综合公式计算，该公式整合了：
- 剩余能量比例： 当前能量相对于局部平均值的比例。
- 动态异构因子 ( $\alpha$ )： 优先考虑相对于邻居具有更高最大能量容量的节点。
- 距离因子 ( $\beta$ )： 倾向于靠近基站（BS）的节点。
- 网络活力 ( $\gamma$ )： 根据存活节点数与总节点数的比例进行调整。
- 自适应阈值 ( $T_{adapt}$ )： 根据全网剩余总能量与初始总能量的比值动态调整选举阈值，随着能量枯竭，阈值变得更加激进。
冲突解决阶段（Collision Resolution）： 通过一种确定性的两跳机制解决多个簇头在邻近区域存在的冲突。保留得分最高的节点作为簇头，其得分定义为 $Score = E_{res} / (1 + deg)$ 。若出现平局，则按最大初始能量及随后按较低的节点 ID 进行决胜。
集群形成阶段（Cluster Formation）： 非簇头节点根据信号强度加入最近的簇头，簇头建立 TDMA 时隙表。
数据传输阶段（Data Transmission）： 成员在分配的时隙内传输数据；簇头聚合数据，并通过直接传输（如果距离较近）或多跳路由（如果距离较远）将其转发至基站（BS）。

核心贡献

本研究概述了四个主要贡献：

完全分布式运行： 一种轻量级算法，节点仅利用局部信息即可独立确定簇头选举概率，消除了对全局知识或集中式控制器的需求。
实时自适应阈值化： 一种机制，能够根据全网能量枯竭模式动态调整簇头选举过程，而无需人工重新配置。
确定性冲突解决： 一种两跳解决策略，通过选择具有最高剩余能量和最低度（degree）的节点来确保最优的簇头位置，防止竞争。
理论框架： 该提议得到了七个形式化定理的支持，这些定理分析了时间复杂度（每轮 $O(1)$ ）、消息复杂度（ $O(N)$ ）、空间复杂度（$O(deg)$）、能量界限、收敛性和可扩展性。

仿真结果

在 MATLAB 中进行的广泛仿真（100 个节点，200x200 m² 区域）将 AdaHet-Clust 与异构条件下的 LEACH、DEEC 和 HMGEAR 进行了对比（包含 50% 低能、30% 中能、20% 高能节点）。

网络寿命： AdaHet-Clust 实现了 1651 轮 的首节点死亡（FND），比 HMGEAR 提升了 16.3%，比 DEEC 提升了 49.0%。半数节点死亡（HND）达到了 2654 轮，分别超过 HMGEAR 14.9% 和 DEEC 39.9%。
能量均匀性： 在 HND 时刻，AdaHet-Clust 展示了优异的能量分布，其标准差为 0.149 J，显著低于 HMGEAR (0.175 J)、DEEC (0.221 J) 和 LEACH (0.452 J)。
控制开销： 与 HMGEAR（34.9 KB/轮）相比，该算法减少了 24.1% 的控制开销；与 DEEC 相比减少了 41.1%，同时在与 LEACH 较低开销但显著更短寿命的权衡中保持了有利地位。
可扩展性与鲁棒性： 随着网络规模从 50 个节点增加到 500 个节点，性能保持一致。该算法对参数误配置表现出鲁棒性，在最优 $P_{opt}$ 范围（0.04–0.06）内，性能波动仅为 $\pm 2.5\%$ 。

意义与主张

本文声称 AdaHet-Clust 通过结合动态局部能量比例、实时自适应阈值化和确定性冲突解决，解决了异构物联网聚类中的关键空白。其重要性在于：

消除基础设施依赖： 与 HMGEAR 不同，它不需要网关节点，从而降低了硬件成本和单点故障风险。
自适应性： 与静态权重协议（DEEC, EDEEC）不同，它能持续适应能量枯竭和节点异构性。
高效性： 它在实现大幅提升网络寿命和能量平衡的同时，保持了适用于资源受限设备的低计算和通信开销。

作者得出结论，认为 AdaHet-Clust 对于节点多样性、资源受限和网络寿命要求极高的规模化异构物联网部署具有独特的适用性。未来的工作建议探索移动性支持、簇内多跳路由、能量采集集成以及轻量级安全机制。