افزايش مقدار داده جمع‌آوري شده و كاهش مصرف انرژي با استفاده از كدگذاري شبكه و سينك‌هاي متحرك در شبكه‌هاي حسگر بي‌سيم

Increasing the Amount of Data and Reducing the Cost of Using Network Coding in Wireless Sensor Networks

شبكه حسگر بي‌سيم شامل تعدادي گره حسگر ثابت بوده كه گره‌هاي سينك براي جمع‌آوري داده‌ها بين گره‌ها حركت مي‌كنند. براي كاهش مصرف انرژي و افزايش مقدار داده جمع‌آوري شده نياز به تعيين مسير بهينه و مكان اقامت سينك‌هاي متحرك است كه سبب افزايش عمر شبكه‌هاي حسگر بي‌سيم مي‌شود. اين مقاله، با استفاده از كدگذاري شبكه، يك مدل رياضي خطي صحيح مختلط يا MILP براي تعيين مسير بهينه چندپخشي از گره‌هاي حسگر منبع به سينك‌هاي متحرك در شبكه‌هاي حسگر بي‌سيم ارايه داده كه زمان و مكان‌هاي اقامت سينك‌ها را تعيين مي‌كند تا جمع‌آوري داده‌هاي كدگذاري شده حداكثر شود و تاخير حركت سينك‌ها و ميزان مصرف انرژي كاهش يابد. حل اين مساله در زمان چندجمله‌اي به دليل دخيل بودن پارامترهاي مختلف و محدود بودن منابع شبكه‌‌هاي حسگر بي‌سيم امكان‌پذير نيست. لذا براي حل اين مساله در زمان چندجمله‌اي، چند الگوريتم اكتشافي و حريصانه و كاملا توزيع‌ شده پيشنهاد شده تا حركت سينك‌ها و مكان اقامت آنها را براساس حداكثر كردن مقدار داده‌هاي كدگذاري شده و نوع مهلت زماني داده‌ها تعيين كند. با شبيه‌سازي نشان داده كه روش بهينه و استفاده از كدگذاري و الگوريتم‌هاي پيشنهادي سبب كاهش زمان اجرا و مصرف انرژي و افزايش داده‌هاي جمع‌آوري شده و عمر شبكه نسبت به روش‌هاي فاقد كدگذاري شبكه مي‌شود.

This paper presents an optimization model to increase the amount of data collected and balance the bandwidth consumption of the edges and uses network coding. To solve this model, the dual method is used and to calculate a lower bound and find the optimal answer and point in the optimization model, the Karush-Kun-Tucker condition is used, which requires calculating the derivative of the Lagrangian function with respect to its variables. Solving this problem and equations in polynomial time is very difficult, time consuming and almost impractical due to the involvement of different parameters and limited resources of wireless sensor networks with a large number of nodes, so to solve this problem, a distributed and iterative algorithm is proposed. It uses the sub gradient method and the network flow separation method. The effectiveness of the proposed model and algorithm has been investigated by simulation in terms of number of source sensor nodes, Lagrangian coefficient and step size. Up to 23% of bandwidth consumed, average network life and energy consumed.