Адаптивный энергосберегающий алгоритм классификации состояний в беспроводных сенсорных сетях тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Юлдашев Михаил Николаевич

• Юлдашев Михаил Николаевич
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Юлдашев Михаил Николаевич

Введение

ГЛАВА 1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ ОБРАБОТКИ ИНФОРМАЦИИ В БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЯХ

1.1 Анализ энергопотребления узла беспроводной сенсорной сети

1.2 Анализ существующих подходов энергоэффективной передачи информации в беспроводных сенсорных сетях

1.3 Параметры беспроводных сенсорных сетей

1.4 Классификация функций беспроводных сенсорных сетей

1.5 Классификация методов принятия решения в беспроводных сенсорных сетях при помощи машинного обучения

1.6 Постановка задачи исследования энергоэффективного алгоритма принятия решения в беспроводных сенсорных сетях

Выводы по главе

ГЛАВА 2. МОДЕЛИ И МЕТОДЫ ЭНЕРГОЭФФЕКТИВНОЙ КЛАССИФИКАЦИИ СОСТОЯНИЙ В БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЯХ

2.1 Модель общей задачи классификации состояний в беспроводной сенсорной сети

2.2 Характеристики признакового пространства в беспроводных сенсорных сетях

2.3 Алгоритмы принятия решения в беспроводных сенсорных сетях при помощи методов машинного обучения

2.4 Расчет энергопотребления в беспроводной сенсорной сети

2.5 Расчет энергоэффективности алгоритма передачи данных в беспроводной сенсорной сети

2.6 Анализ полученных результатов и прогнозные оценки по обеспечению энергоэффективности в беспроводных сенсорных сетях

Выводы по главе

Стр.

ГЛАВА 3. РАЗРАБОТКА ПРОГРАММНОЙ РЕАЛИЗАЦИИ АДАПТИВНОГО ЭНЕРГОСБЕРЕГАЮЩЕГО АЛГОРИТМА ОБРАБОТКИ

ИНФОРМАЦИИ В БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЯХ

3.1 Анализ функциональных требований к разрабатываемому алгоритму

3.2 Структурно-функциональная модель адаптивного энергосберегающего алгоритма

3.3 Энергосберегающий алгоритм обработки информации в сенсорных сетях

Выводы по главе

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ЭНЕРГОЭФФЕКТИВНОСТИ БЕСПРОВОДНОЙ СЕНСОРНОЙ СЕТИ ПРИ ИСПОЛЬЗОВАНИИ АДАПТИВНОГО ЭНЕРГОСБЕРЕГАЮЩЕГО АЛГОРИТМА ПЕРЕДАЧИ ДАННЫХ

4.1 Программа и методика экспериментальных исследований алгоритма

4.2 Тестирование энергосберегающего алгоритма обработки информации

в беспроводных сенсорных сетях

4.3 Моделирование и оценка работы энергосберегающего алгоритма передачи данных на примере стандартных распределений

4.4 Экспериментальное исследование адаптивного энергосберегающего алгоритма передачи данных на полунатурной модели

4.5 Рекомендации и перспективы внедрения адаптивного энергосберегающего алгоритма передачи данных в беспроводных сенсорных сетях

Выводы по главе

Общие выводы и заключение

Список литературы

Приложение

Введение диссертации (часть автореферата) на тему «Адаптивный энергосберегающий алгоритм классификации состояний в беспроводных сенсорных сетях»

ВВЕДЕНИЕ

Актуальность исследования. Беспроводные сенсорные сети (БСС) являются перспективной областью развития телекоммуникационных сетей [36, 85]. Ключевая идея БСС - автоматизация сбора информации об окружающей среде и управляемых объектах. БСС особенно полезны там, где присутствие человека в контролируемой зоне невозможно или сбор информации необходимо производить продолжительное время [6, 88, 96]. БСС получили широкое распространение после активного развития современной микроэлектроники, технологий беспроводного взаимодействия и соответствующего аппаратного обеспечения [39, 54, 61].

Согласно дорожной карте Министерства цифрового развития, связи и массовых коммуникаций РФ по направлению развития «сквозной» цифровой технологии «Технологии беспроводной связи» (2019) [14] БСС являются важной частью разработки интеллектуальных сенсорных сетей. Использование подобных сетей ориентированно на применение в таких направлениях, как координация, информационная база, цифровая трансформация промышленности, система контроля, обучение, национальный контроль и электронный медицинский учет. Для вышеуказанных областей важным является внедрение передовых технологий разработки информационных сетей, к примеру технологии Internet of Things [13, 24, 51]. Также БСС являются важным элементом технологии «цифровые двойники», обеспечивая непрерывную синхронизацию объекта и его виртуальной модели при помощи множества датчиков [45].

Структура БСС зачастую зависит от ее целевого назначения и окружающей инфраструктуры. В классическом варианте БСС представляет собой множество взаимосвязанных по беспроводной сети узлов (сенсоров), расположенных на определенной территории и выполняющих сбор характеристик внешней среды. Как правило, узел сети - это малогабаритное устройство, в состав которого

входит измерительный прибор (датчик), блок обработки данных (микропроцессор и внешняя память), приемопередатчик и автономный источник питания. Сенсор регистрирует изменения конкретных параметров окружающей среды (освещенность, температура, влажность, давление, движение и т.д.), затем обрабатывает их и передает на базовую станцию [26]. Узел сети также может выступать в роли ретранслятора сообщений, за счет чего достигается значительная зона покрытия сетью при низких финансовых затратах [96].

БСС используют для выполнения таких функций, как автоматический сбор данных, слежение за параметрами среды [68, 77-79, 83]. Среди основных типов БСС выделяют: наземные, подземные, подводные, мультимедийные и мобильные сети. Их отличительные черты заключаются в разных топологиях, технической составляющей сенсора, периодичности и скорости передачи данных, особенностях канала связи. За счет низкой стоимости, скорости развертывания и высокой эффективности БСС широко применяются практически во всех сферах жизнедеятельности, особенно популярны в оборонной отрасли, промышленности, сельском хозяйстве и здравоохранении [40, 59, 60, 71]. Специалисты прогнозируют, что в скором времени БСС будут являться важной составляющей в информационных сетях, где присутствует беспроводная передача данных [13, 14, 24, 45].

За большим потенциалом использования БСС стоит немало научных и технических проблем, начинающихся еще с момента проектирования сети [7, 71, 72, 104]. Данные проблемы имеют концептуально новый характер. Важность их решения заключается в том, что неучтенные детали могут существенно повлиять на функционирование всей сети в будущем. В отличие от информационных сетей, БСС содержат набор отличительных характеристик, которые способствуют созданию новых способов и методик проектирования. В силу особенностей использования БСС и ограниченного функционала сенсоров, формирующих сеть, возникают новые параметры системы, такие как развертывание и конфигурация маршрутизации, зона покрытия, энергопотребление и срок автономной работы

узла сети [12, 41, 61]. Поскольку все чаще БСС являются важным элементом в процессах внешних систем, то необходимо уделять большое внимание надежности и отказоустойчивости сети. В результате появилось немалое количество научных трудов, направленных на решение проблем исключительно в области БСС [62, 67, 70].

За последние десятилетия представлен ряд научных работ по направлению совершенствования работы БСС. За это время исследовано множество проблем проектирования и функционирования сенсорных сетей [35, 74, 87, 89]. Существенная часть исследований направлена на решение узкоспециализированных проблем, относящихся к конкретным областям применения БСС, и лишь небольшая часть исследований сфокусирована на общих задачах, присущих различным типам БСС [93, 103]. В каждом направлении представлено множество научных исследований, которые нашли свое отражение в работах Akyildiz Ian F. [61], Киричека Р. В. [19, 75, 76], Кислякова М. А. [20], Выборновой А. И. [9], Окуневой Д. В. [34], Бакина Е. А. [3], Фомина А. Д. [43], Линского Е. М. [30], Иванова И. А. [16, 17], Пролетарского А. В. [42, 47] и др. В работах исследованы современные технологии построения беспроводных сетей, представлено описание их поэтапного проектирования - от определения топологии, расчета быстродействия до тестирования и введения в эксплуатацию. Рассмотрены характеристики беспроводного канала связи, протоколы передачи данных, представлены способы увеличения быстродействия и безопасности сети. Также представлен процесс добавления нового узла в режиме непрерывного функционирования сети - идентификация, построение маршрутизации, конфигурация, обеспечение шифрования данных в беспроводных сетях для повышения безопасности.

При проектировании БСС по заданным требованиям часто сталкиваются с множеством ограничений, обусловленных внешней средой, уровнем развития техники, доступными ресурсами [35, 97, 98]. Среди решаемых задач выделяют 3

значимых направления: проектирование аппаратного обеспечения, методы и алгоритмы управления и обработки информации, вопросы эксплуатации [48]. Задачи, возникающие при проектировании аппаратного обеспечения:

- выбор аппаратного и сопутствующего программного обеспечения;

- проектирование физических конструкций, отвечающих заявленным требованиям надежности и эксплуатации;

- методика размещения узлов сети в окружающей среде, обеспечение требуемой зоны покрытия;

- снижение негативного влияния факторов, связанных с беспроводным взаимодействием;

- определение срока службы сенсоров, частоты технического обслуживания.

Задачи, возникающие при обеспечении методов и алгоритмов обработки и передачи информации:

- определение топологии сети, отвечающей заявленным требованиям;

- определение правил маршрутизации потоков передачи данных, разработка алгоритмов управления и обработки информации в сети;

- синхронизация работы узлов сети;

- обеспечение масштабируемости сети без ухудшения ее характеристик;

- алгоритмы поддержания работоспособности сети при внештатных ситуациях;

- защита от несанкционированного доступа к БСС. Вопросы эксплуатации:

- поддержание работоспособности сети, модификация состава сети;

- удаленное управление сетью.

Среди вышеперечисленных задач уделим внимание разработке методов и алгоритмов управления и обработки информации в сети. Ключевыми параметрами при оценке предлагаемых методов и алгоритмов коммуникации в сети являются скорость передачи данных и срок эксплуатации БСС [49, 53]. Срок

эксплуатации сети непосредственно зависит от продолжительности функционирования узлов сети. В свою очередь, узел сети может прекратить функционировать по причинам внутренней неисправности, агрессивной внешней среды, выхода из зоны действия беспроводной сети или исчерпания энергии источника питания.

Узел сети потребляет электроэнергию для сбора, обработки и передачи информации, также при этом должна быть решена задача по маршрутизации при топологии, отличной от топологии «звезда» [35]. Как правило, узел сети содержит автономный источник питания с лимитированным энергоресурсом и отсутствуют способы пополнения энергии из внешней среды. Время автономной работы узла сети связано непосредственно со временем службы автономного источника питания.

Несмотря на то, что для узлов БСС можно предусмотреть механизмы получения энергоресурсов из окружающей среды (солнечные батареи, механическая, электромагнитная энергия), не всегда имеется прямой и постоянный доступ к перечисленным ресурсам [46, 84]. Также стоит учитывать, что элементы преобразования энергии из окружающей среды имеют высокую стоимость, доходящую до себестоимости самого датчика; в таком случае использование преобразователей становится бессмысленным, так как зачастую одним из базовых требований к БСС является низкая стоимость датчиков. В исследованиях [8, 86] было подчеркнуто, что удельная энергетическая плотность современных химических источников питания растет медленнее, чем объем потребляемой энергии [18, 38]. Еще немаловажным фактом является то, что источники энергии с большой энергоемкостью представляют повышенную опасность и требуют особых условий эксплуатации, так как в противном случае могут произойти возгорания и взрывы. Следовательно, выбор энергоэффективных методов и алгоритмов сбора и передачи информации между узлами сети является одной из основных актуальных научных проблем при проектировании БСС [10].

К настоящему времени проблеме увеличения длительности жизненного цикла БСС посвящено большое количество исследований [44]. Предложить общее решение для данной проблемы затруднительно из-за разнообразия целевых назначений и окружающей инфраструктуры БСС, поэтому для решаемой задачи важен контекст использования. Для различных приложений сенсорных сетей предлагается решать проблему с помощью энергоэффективных стандартов взаимодействия IEEE 802.15 [69] и его протокольной реализацией Zigbee [92], методами кластеризации, введением расписания отправки сообщений или агрегации данных [10, 21, 64, 95]. Среди российских исследователей, занимавшихся энергоэффективностью в БСС, можно выделить работы Кучерявого А. Е. [22-28], Кучерявого Е. А [29], Молчанова Д. А. [32-33], Захаровой А. А. [15], сотрудников компаний ООО «Высокотехнологичные системы», «MeshLogic» и др. [4, 5, 11, 80].

Продолжительность функционирования узла сети определяют 3 параметра: объем автономного энергоресурса, энергопотребление элементов сенсора и энергоэффективность используемых методов и алгоритмов [1]. Одной из причин существенного расхода энергоресурса узла сети является большое количество сеансов связи по беспроводной сети: электроэнергия, потребляемая для обеспечения беспроводного взаимодействия между узлами сети, может составлять до 75% автономного энергоресурса. В рамках данной работы рассматривается задача по увеличению продолжительности автономной работы узла сети за счет эффективного энергопотребления. Основное внимание уделено сокращению количества сеансов связи, поскольку периодическая передача данных в большинстве случаев является избыточной и энергозатратной [94].

Решение проблемы неэффективного использования источника питания при мониторинге состояний сети позволит повысить срок эксплуатации сенсоров, тем самым снизит ресурсы на поддержание работоспособности сети. Адаптивный алгоритм принятия решения позволит автоматизировать управление сетью, что особенно полезно при технологии «цифровых двойников», когда на основе

показаний с датчиков прогнозируется состояние объекта в будущем. Методы оценки весовых коэффициентов важности передаваемых данных от сенсоров сети позволят повысить качество покрытия исследуемой зоны при минимально-достаточном составе сети.

Целью работы является разработка и исследование алгоритма классификации состояний в беспроводных сенсорных сетях, который отличается повышенными энергоэффективностью и адаптивностью к параметрам окружающей среды.

Для достижения поставленной цели в работе решены следующие задачи:

- проведен анализ энергопотребления в БСС с целью определения зависимости энергопотребления от выполняемых сенсором функций;

- исследованы основные направления применения существующих БСС с целью построения классификации функций БСС и формализации технических требований к разрабатываемому алгоритму классификации состояний в БСС;

- разработан адаптивный алгоритм классификации состояний в БСС на основе метода дерева решений с использованием базы знаний;

- разработан способ расчета количества передач данных для узла БСС, который позволяет оценить энергоэффективность предлагаемого алгоритма;

- разработана полунатурная модель БСС, реализующая основные характеристики и поведение фактической эксплуатационной БСС, с целью исследования энергоэффективности разработанного алгоритма; проведено модульное тестирование основных блоков алгоритма для подтверждения корректности функционирования алгоритма.

Научная новизна диссертационной работы:

- разработана классификация функций БСС, содержащая функции сбора данных, мониторинга, контроля, слежения и формирования

управляющих команд, позволившая сформулировать общую задачу -принятие решения о состоянии сети;

- предложен способ классификации состояний в БСС с помощью метода решающего дерева, отличающийся от существующих методов адаптивностью к параметрам окружающей среды и позволяющий в автоматическом режиме настраивать параметры модели классификации;

- разработан энергосберегающий способ обработки информации в БСС, реализующий функцию принятия решения о состоянии сети, отличающийся от существующих алгоритмов использованием локального принятия решения о необходимости передачи данных по сети и позволяющий повысить энергоэффективность работы сенсора более чем на 70%;

- разработан способ расчета энергоэффективности работы БСС, учитывающий конфигурацию сети и динамику параметров окружающей среды, позволяющий рассчитать вероятностную оценку энергоэффективности работы алгоритма на основе количества передач данных по беспроводной сети.

Научно-практическая значимость работы выражена в том, что разработанный адаптивный энергосберегающий алгоритм обработки информации в БСС позволяет увеличить срок автономной службы сенсоров и всей сети в целом более чем на 50% за счет энергоэффективной обработки информации при принятии решения о состоянии в БСС. Адаптивная настройка параметров алгоритма позволяет автоматизировать конфигурирование алгоритма.

Результаты работы использованы в НИОКР по Гранту РФФИ №17-07-00689 «Исследования методов синтеза распределенных сенсорных систем по критерию минимизации сетевой нагрузки», которые позволили ускорить процесс конфигурирования БСС на 20% за счет адаптивности алгоритма, и в НИОКР по Гос. заданию №:FSFN-2020-0041 «Фундаментальные исследования методов

цифровой трансформации компонентной базы микро- и наносистем», которые позволили сократить энергопотребление сенсорной сети на 55%.

Отдельные результаты работы использованы в учебном плане для курса «Основы телекоммуникационных технологий» кафедры ИУ4 «Проектирование и технология производства электронной аппаратуры» МГТУ им Н. Э. Баумана.

Использование результатов исследования продолжается, они могут найти свое применение в работе предприятий, занимающихся построением систем мониторинга на основе беспроводных сетей. Согласно дорожной карте Министерства цифрового развития, связи и массовых коммуникаций РФ по направлению развития «сквозной» цифровой технологии «Технологии беспроводной связи» (2019), результаты работы будут актуальны для многих задач, особенно при разработке интеллектуальных сенсорных сетей.

Методы исследования. При выполнении работы были использованы методы системного анализа, теория сетевого взаимодействия, методы математического моделирования, теория вероятностей, методы машинного обучения, теория программирования высокого уровня, численные методы, методы тестирования программного обеспечения.

Основные положения, выносимые на защиту:

- классификация функций БСС, которая позволяет определить основные направления разработки методов и алгоритмов обработки информации в БСС и сформулировать общую задачу - принятие решения о состоянии сети;

- способ классификации состояний в БСС на основе метода дерева решений обеспечивает автоматизацию обработки информации в сети;

- алгоритм обработки информации при классификации состояний в БСС, отличающийся от существующих повышенным энергосбережением и адаптивностью сети к параметрам окружающей среды за счет использования метода решающего дерева и базы знаний, обеспечивает

сокращение количества передач данных по беспроводной сети, тем самым снижает энергопотребление; - использование адаптивного энергосберегающего алгоритма для обработки входных данных, представленных в виде гауссовских процессов, позволяет сократить количество передач данных между сенсором и управляющим модулем более чем на 70%. Степень достоверности и апробация результатов. Полученные результаты и выводы диссертационной работы подтверждаются корректным использованием математического аппарата, экспериментальными исследованиями разработанного алгоритма на полунатурной модели БСС. Полученные при исследовании результаты подтверждают снижение энергопотребления БСС более чем на 50%. Адаптация функционирования сенсорной сети под динамику окружающей среды показали устойчивость алгоритмов с погрешностью не более 1%.

Апробация работы была проведена на научно-технических конференциях: International Conference Information Technologies in Business and Industry (Томск, 2018 г.), Всероссийский форум научной молодежи «Богатство России - 2018» в секции по направлению «Информационные технологии» (Москва, 2018), V Всероссийская научно-практическая конференция «Технологии разработки и отладки сложных технических систем» (Москва, 2018), IV Международная научно-техническая конференция студентов, молодых ученых и специалистов «Энергосбережение и эффективность в технических системах» (Тамбовский государственный технический университет, 2017), International telecommunication conference on advanced micro- and nanoelectronic systems and technologies (AMNST 2017, Moscow, 01-02 июня 2017 г.), Международный симпозиум «Надежность и качество 2017» (Пенза, 2017), Молодежная международная научно-техническая конференция «Наукоемкие технологии и интеллектуальные системы - 2016» (Москва, 2016), VII Всероссийская научно-техническая конференция «Проблемы разработки перспективных микро- и наноэлектронных систем - 2016» (Зеленоград, 2016).

Результаты работы докладывались на научных семинарах кафедры «Проектирование и технология производства электронной аппаратуры» и кафедры «Системы автоматического управления» МГТУ им. Н. Э. Баумана.

На программную реализацию разработанного алгоритма получено Свидетельство о государственной регистрации программы для ЭВМ №2020665601 «Программный комплекс динамической классификации объекта на основе диапазонов предикатов дерева решений».

Публикации. Основные результаты работы опубликованы в 14 научных работах, из них 3 в изданиях, индексируемых в системах Scopus и Web of Science, 3 в журналах, рекомендованных ВАК РФ. На программную реализацию предлагаемого алгоритма получено Свидетельство о гос. регистрации программы для ЭВМ №2020665601 «Программный комплекс динамической классификации объекта на основе диапазонов предикатов дерева решений».

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем диссертации 135 страниц, включая 29 иллюстраций, список использованных источников и приложения. Библиография содержит 104 наименования, из них 46 из иностранных источников.

ГЛАВА 1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ ОБРАБОТКИ ИНФОРМАЦИИ В БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЯХ

Сенсорные сети позволяют автоматизировать сбор данных об окружающей среде или контролируемом объекте. Беспроводное взаимодействие между узлами сети значительно расширяет область применения, но несет множество новых задач, по которым представлен ряд исследований. Одной из важных задач при проектировании БСС является увеличение срока эксплуатации сети, который, в свою очередь, связан со сроком эксплуатации узлов сети. Функционирование сенсора может быть нарушено по нескольким причинам, и в данной работе рассматриваются проблемы ограниченного энергоресурса у узла сети и неэнергоэффективных алгоритмов обработки данных.

В данной главе проведен анализ потребляемой энергии узлом беспроводной сенсорной сети. Результаты анализа позволяют определить наиболее энергозатратные операции, которые необходимо совершенствовать в первую очередь при разработке энергоэффективного алгоритма. Представлен список существующих исследований по повышению энергоэффективности алгоритмов управления и обработки информации в БСС.

Разрабатываемый алгоритм напрямую связан с назначением БСС, поэтому также рассматриваются функции БСС, их основные направления. С одной стороны, данный подход к исследованию позволяет сконцентрироваться на наиболее приоритетных функциях БСС, чтобы предлагаемый алгоритм был применим для большей части задач, с другой стороны, использование более широкого контекста решаемой задачи открывает больше возможностей для новых решений. В результате решения более общей задачи можно получить более эффективный алгоритм.

В заключении представлено техническое противоречие, которое возникает при решении существующей проблемы стандартными способами. Методы разрешения противоречий позволяют получить принципиально новое решение.

1.1 Анализ энергопотребления узла беспроводной сенсорной сети

1.1.1 Структура узла беспроводной сенсорной сети

Анализ потребления электроэнергии узлом БСС основывается на экспериментальных данных, так как исследование теоретической модели энергопотребления узла БСС достаточно трудозатратно и имеет низкую точность из-за наличия множества факторов, таких как: тип сенсора, дальность передачи данных, выполняемые вычисления. Результатом анализа энергопотребления является зависимость расходуемой энергии от выполняемых сенсором функций. Перед анализом энергопотребление узла сети рассмотрим его обобщенную структуру в составе БСС.

В состав узла сети (сенсора) входят (Рисунок 1.1):

- датчики, измеряющие параметры окружающей среды,

- блок обработки данных, состоящий из микроконтроллера и внешней памяти,

- приемопередатчик,

- автономный источник питания [61].

Рисунок 1.1. Обобщенная структура узла в составе БСС

Узел сети измеряет параметры окружающей среды, обрабатывает их, а затем посылает на базовую станцию, куда поступают данные со всех сенсоров. Из представленной структуры видно, что энергия автономного элемента питания расходуется на энергоснабжение датчиков, микроконтроллера с памятью и на приемопередатчик.

Данная структура соответствует топологии сети «звезда», когда каждый сенсор взаимодействует с базовой станцией напрямую. Если рассматривать топологию «дерево» или «ячеистую», то пропадает часть связей «Сенсор» -«Базовая станция» и появляются новые связи «Сенсор» - «Сенсор» (Рисунок 1.2) [49].

ООО

о., о о

О \0 ! О/ О о.........<0 0<:.......о

узел сети

Базовая станция

И А * Ж К £ г..

О" /О б

6\ " о" О.......о.......о.........о

о о о" о "о

а) звезда б) дерево

а ,о<-........а

о.........ф и о

_

Базовая станция

О О.......-О........-о

О-.......-о" "о

в) ячеистая

Рисунок 1.2. Топологии БСС

В БСС топологии «дерево» и «ячеистая» используются для того, чтобы увеличить зону покрытия сети. Это достигается за счет методов маршрутизации данных от удаленных сенсоров через промежуточные узлы сети. Различие в энергопотреблении в зависимости от топологии БСС заключается в том, что при топологиях «дерево» и «ячеистая» на часть узлов сети, которые ближе к базовой станции, будет приходить дополнительная нагрузка из-за передачи информации в качестве маршрутизации. В результате при одинаковом количестве данных в БСС при топологиях «дерево» и «ячеистая» энергопотребление будет больше, чем при топологии «звезда» из-за дополнительных сеансов связи.

1.1.2 Анализ энергопотребления узла беспроводной сенсорной сети

На Рисунке 1.3 представлен график энергопотребления узла БСС на одном рабочем цикле, когда сенсор, находящийся в спящем режиме, по команде от таймера просыпается, чтобы выполнить передачу данных по сети, и вновь возвращается в спящий режим.

---1 4 ^ 1 7

А (¿1 /

»1

1 1 V) 1 к / 9 10

0 V" 5 /

1 1 3 /

2

1 2345678 мс

Рисунок 1.3. График энергопотребления одного рабочего цикла узла БСС, содержащего приемопередатчик на базе микросхемы CC2530 [10]

Этапы функционирования датчика пронумерованы от 0 до 10. Интервалами работы микроконтроллера являются 1-3, 4-5, 6-7, 8-9, интервалами передачи данных по сети являются: 3-4, 5-6, 7-8 (Таблица 1).

Таблица 1

Этапы энергопотребления узла БСС при одном рабочем цикле

Период Операция Напряжение, мВ Ток, мА Время, мс Потребление тока, мА*мс

До 0 Спящий режим - 0.001 - -

0 - 1 Переход в рабочий режим 120 12 0.2 2.4

1 - 2 Запуск микроконтроллера на 16МГц 60 6 0.3 1.5

2 - 3 Переход микроконтроллера на 32МГц 75 8 1.7 12.8

3 - 4 RX режим (CMSA/CA алгоритм) 270 27 1.2 32.5

4 - 5 Переключение в TX режим 140 14 0.2 2.8

5 - 6 Передача MAC адреса 320 32 0.6 18.6

6 - 7 Переключение в RX режим 250 25 0.2 5.0

7 - 8 Получение MAC ACK от координатора 235 24 0.4 8.2

Список литературы диссертационного исследования кандидат наук Юлдашев Михаил Николаевич, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Абакумов, П. А., Кучерявый, А. Е. Алгоритм кластеризации для мобильных беспроводных сенсорных сетей в трехмерном пространстве // Электросвязь. 2015. № 9. С. 11-14.

2. Альтшуллер, Г. С. Творчество как точная наука : Теория решения изобретательских задач. Москва: Советское радио, 1979. 174 с.

3. Бакин, Е. А. Повышение эффективности сбора информации в беспроводных сенсорных сетях на основе оптимизации расписания : дис. ... канд. тех. наук : 05.13.01 / Бакин Евгений Александрович. Санкт-Петербург, 2012. 105 с.

4. Баскаков, С. С. Оценка энергопотребления беспроводных узлов в сетях MeshLogic // Беспроводные технологии. 2010. № 1. С. 28-31.

5. Баскаков, С., Оганов, В. Беспроводные сенсорные сети на базе платформы Meshlogic ТМ // Электронные компоненты. 2006. №8. С. 65-69.

6. Беспроводной промышленный мониторинг. Интеллектуальные системы на базе сенсорных сетей // Материалы Института точной механики и вычислительной техники РАН (ИТМиВТ).

7. Власов, А. И., Цыганов, И. Г. Адаптивная фильтрация информационных потоков в корпоративных системах на основе механизма голосования пользователей // Информационные технологии. 2004. № 9. С. 12-19.

8. Власова, В. А., Зеленин, А. Н. Анализ энергоциклов узлов беспроводных сенсорных сетей [Текст] // Восточно-Европейский журнал передовых технологий. 2012. Т. 3, № 9 (57). С. 13-17.

9. Выборнова, А. И. Исследование характеристик трафика в беспроводных сенсорных сетях : дис. ... канд. тех. наук : 05.12.13 / Выборнова Анастасия Игоревна. Владимир, 2014. 185 с.

10. Галкин, П. В. Анализ энергопотребления узлов беспроводных сенсорных сетей // ScienceRise. 2014. № 2 (2). С.55-61.

11. Гинзберг, К. Б., Балашов, А. Д. Применение современных технологий в автоматизации производства // Политехнический молодежный журнал. 2019. № 4(33). С. 240-242.

12. Григоров, Н. О., Светачева, А. А. Исследование погрешностей датчиков температуры // Гидрометеорология и экология: научные достижения и перспективы развития : Труды II Всероссийской конференции, Санкт-Петербург, 19-20 декабря 2018 года. Санкт-Петербург: Химиздат, 2018. С. 200-201.

13. Дозорцев, В. М. Цифровые двойники в промышленности: генезис, состав, терминология, технологии, платформы, перспективы. Часть 3. прикладные платформы, практические примеры, прогнозы развития, вызовы // Автоматизация в промышленности : сб. статей. Москва, 2021. №1. С. 5-14.

14. Дорожная карта развития «сквозной» цифровой технологии «Технологии беспроводной связи» // Минкомсвязь России. 2019. 43 с.

15. Захарова, А. А. Беспроводные сенсорные сети - особенности и преимущества // 45 Научная и учебно-методическая конференция университета ИТМО. Санкт-Петербург, 02-06 февраля 2016. С. 158-160.

16. Иванова, И. А. Метод и алгоритмы управления потоками данных в беспроводных системах промышленного мониторинга : дис. ... канд. тех. наук : 05.13.01 / Иванова Ирина Алексеевна. Москва, 2010. 147 с.

17. Иванова, И. А. Определение периметра зоны покрытия беспроводных сенсорных сетей // Промышленные АСУ и контроллеры. 2010. № 10. С. 2530.

18. Киреев, А. О., Светлов, А. В. Распределенная система энергетического мониторинга беспроводных сенсорных сетей // Известия ЮФУ. Технические науки. 2011. № 5 (118). С. 60-65.

19. Киричек, Р. В., Хоанг, Л. Ч. Обнаружение факта и характера преднамеренного электромагнитного воздействия на беспроводную сенсорную сеть // 71-я Всероссийская научно-техническая конференция, посвященная Дню радио. Санкт-Петербург: СПбГЭУ «ЛЭТИ» им. В.И. Ульянова (Ленина). 2016. С. 187-188.

20. Кисляков, М. А. Алгоритмы и средства автоматизации проектирования беспроводных сенсорных сетей со статической топологией : дис. ... канд. тех. наук : 05.13.12 / Кисляков Максим Андреевич. Владимир, 2013. 146 с.

21. Комаров, М. М. Разработка и исследование метода энергетической балансировки беспроводной стационарной сенсорной сети с автономными источниками питания : дис. ... канд. тех. наук : 05.12.13 / Комаров Михаил Михайлович. Москва, 2012. 136 с.

22. Кучерявый, А. Е., Аль-Кадами, Н. А. Адаптивный алгоритм кластеризации для беспроводных сенсорных сетей с мобильными узлами // Электросвязь. 2015. № 3. С. 22-26.

23. Кучерявый, А. Е., Салим, А. Выбор головного узла кластера в однородной беспроводной сенсорной сети // Электросвязь. 2009. № 8. С. 32-36.

24. Кучерявый, А. Е. Интернет вещей // Электросвязь. 2013. № 1. С. 21-24.

25. Летающие сенсорные сети / А. Е. Кучерявый, А. Г. Владыко, Р. В. Киричек, А. И. Парамонов, А. В. Прокопьев, И. А. Богданов, А. А. Дорт-Гольц, И. А. Богданов // Электросвязь. 2014. № 9. С. 2-5.

26. Кучерявый, А. Е., Прокопьев, А. В. Самоорганизующиеся сети // Санкт-Петербург: Любавич, 2011. 312 с.

27. Кучерявый, А. Е. Сенсорные сети как перспективное направление развития телекоммуникаций // 59-я Научно-техническая конференция профессорско-преподавательского состава СПбГУТ им. БончБруевича: материалы. 22-26 января, 2007. С. 5-7.

28. Кучерявый, А. Е., Владыко, А. Г., Киричек, Р. В. Теоретические и практические направления исследований в области летающих сенсорных сетей // Электросвязь. 2015. № 7. С. 9-11.

29. Кучерявый, Е. А., Молчанов, С. А., Кондратьев, В. В. Принципы построения сенсоров и сенсорных сетей // Электросвязь, 2006. № 6. С. 10-15.

30. Линский, Е. М. Управление передачей пакетов в сенсорных сетях : дис. ... канд. тех. наук : 05.13.01 / Линский Евгений Михайлович. Санкт-Петербург, 2007. 104 с.

31. Локтев, Д. А., Пролетарский, А. В., Локтев, А. А. Моделирование системы мониторинга объектов с использованием сверточной нейронной сети // Промышленные асу и контроллеры. 2020. №9. С. 39-46.

32. Молчанов, Д. А., Кучерявый, Е. А. Приложения беспроводных сенсорных сетей // Электросвязь. 2006. № 6. С. 20-23.

33. Молчанов, Д. А. Самоорганизующиеся сети и проблемы их построения // Электросвязь, 2006. № 6. С. 24-28.

34. Окунева, Д. В. Разработка и исследование моделей беспроводных сенсорных сетей при неравномерном распределении узлов : дис. ... канд. тех. наук : 05.12.13 / Окунева Дарина Владимировна. Санкт-Петербург, 2017. 159 с.

35. Парфенов, В. И., Ле, В. Д. Анализ показателей эффективности алгоритмов обработки информации в беспроводных сенсорных сетях // Радиолокация, навигация, связь: Сборник трудов XXV Международной научно-технической конференции, посвященной 160-летию со дня рождения А.С. Попова. В 6-ти томах, Воронеж, 16-18 апреля 2019 года. Воронеж: Воронежский государственный университет, 2019. С. 63-70.

36. Прогноз научно-технологического развития Российский Федерации на период до 2030 года [Текст] // Минобрнауки России. 2013. 72 с.

37. Сравнительный анализ методов машинного обучения для решения задачи классификации документов научно-образовательного учреждения / М. Н. Краснянский, А. Д. Обухов, Е. М. Соломатина, А. А. Воякина // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2018. № 3. С. 173-182.

38. Таганова, А. А., Бубнов, Ю. И., Орлов, С. Б. Герметичные химические источники тока: Элементы и аккумуляторы. Оборудование для испытаний и эксплуатации [Текст] : справ. Санкт-Петербург: Химиздат, 2005. 264 с.

39. Таланов, С. Б. Развитие беспроводных сенсорных сетей с использованием интеллектуальных датчиков // Кулагинские чтения: техника и технологии производственных процессов : сб. статей. Чита, 2019. С. 218-223.

40. Тарханова, О. Ю. Применение беспроводных сенсорных сетей в прецизионном сельском хозяйстве // Проблемы информатики. 2017. 4 (37). С. 10-31.

41. Терентьев, М. Н. Метод функционирования систем мониторинга параметров объектов с изменяемой конфигурацией на базе дискретных беспроводных сенсорных сетей : дис. ... канд. тех. наук : 05.13.15 / Терентьев Максим Николаевич. Москва, 2010. 154 с.

42. Технологии современных беспроводных сетей Wi-Fi: учебное пособие / Е. В. Смирнова, А. В. Пролетарский и др. : под общ. ред. А. В. Пролетарского. М: Издательство МГТУ им. Н.Э. Баумана, 2017. 446 c. ISBN 978-5-7038-4620-9.

43. Фомин, А. Д. Разработка и исследование надежных методов агрегации данных в сенсорных сетях : дис. ... канд. тех. наук : 05.13.01 / Фомин Алексей Дмитриевич. Санкт-Петербург, 2007. 122 с.

44. Фундаментальные исследования методов цифровой трансформации компонентной базы микро- и наносистем [Текст]: отчет о НИР № 0705-20200041 (промежуточ.) / МГТУ им. Н. Э. Баумана; рук. Шахнов В. А.; исполн.: Юлдашев М. Н. [и др.]. Москва, 2020. 364 с. № ГР АААА-А20-120121690040-8.

45. Цифровые двойники в высокотехнологичной промышленности : экспертно-аналитический доклад // Инфраструктурный центр «Технет» НТИ. 2019. 58 с.

46. Шахов, В. В., Мигов, Д. А., Соколова, О. Д. Беспроводные сенсорные сети, оснащенные средствами получения энергии из окружающей среды // Проблемы информатики. 2014. № 4. С. 69-79.

47. Применение алгоритма идентификации в системе комплекса полунатурного моделирования стенда-тренажера летательного аппарата / Д. О. Шолохов, А. В. Пролетарский, К. А. Неусыпин, Н. В. Лукьянова // American scientific journal. 2020. 38-1 (38). С. 49-55.

48. Юлдашев, М. Н., Власов, А. И. Анализ методов и средств обработки информации сенсорного кластера // Датчики и системы. 2018. № 1 (221). С. 24-30.

49. Юлдашев, М. Н. Анализ топологий и архитектур беспроводных сенсорных сетей // Сборник трудов Молодежной международной научно-технической конференции «Наукоемкие технологии и интеллектуальные системы» Москва: МГТУ им. Н. Э. Баумана, 2016. С. 398-401.

50. Юлдашев, М. Н., Власов, А. И. Гауссовские процессы в регрессионном анализе состояний беспроводной сенсорной сети с учетом электромагнитных помех // Технологии электромагнитной совместимости. 2017. № 3 (62). С. 3543.

51. Юлдашев, М. Н. Искусственный интеллект: проблемы обеспечения безопасности жизнедеятельности человека // Молодежный научно-технический вестник. 2017. № 4. С. 35-39.

52. Юлдашев, М. Н., Адамов, А. П., Адамова, А. А. Классификация состояний беспроводной сенсорной сети с использованием методов машинного обучения // Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС). 2016. № 2. С. 248-251.

53. Юлдашев, М. Н., Адамов, А. П., Адамова, А. А. Методы обеспечения надежности в беспроводных сенсорных сетях по критерию сетевой нагрузки // Международный симпозиум "Надежность и качество". Пенза: Пензенский Государственный Университет, 2019. Том 1. С. 197-199.

54. Юлдашев, М. Н. Развитие беспроводных сенсорных сетей // Сборник трудов XVШ-я Молодежной международной научно-технической конференции «Наукоемкие технологии и интеллектуальные системы 2016». Москва: МГТУ им. Н. Э. Баумана, 2016. С. 398-401.

55. Юлдашев, М. Н. Энергосберегающая технология передачи данных в беспроводных сенсорных сетях // Материалы IV Международной научно-технической конференции студентов, молодых ученых и специалистов "Энергосбережение и эффективность в технических системах". Тамбов: Тамбовский государственный технический университет, 2017. С. 177-178.

56. Юлдашев, М. Н. Энергоэффективный алгоритм передачи данных между элементами беспроводной сенсорной сети // Сборник докладов "Богатство России". Москва: МГТУ им. Н. Э. Баумана, 2017. С. 110-111.

57. Юлдашев, М. Н., Власов, А. И. Анализ противоречий синтеза распределенных сенсорных сетей // Сборник трудов V Всероссийской научно-практической конференции "Технологии разработки и отладки сложных технических систем". Москва: МГТУ им. Н. Э. Баумана, 2018. С. 20-29.

58. Юлдашев, М. Н., Власов, А. И. Свидетельство о государственной регистрации программы для ЭВМ «Программный комплекс динамической классификации объекта на основе диапазонов предикатов дерева решений» №2020665601 от 27.11.2020, правообладатель: ФГБОУ ВО «МГТУ им Н. Э. Баумана» (национальный исследовательский университет).

59. Abbas, I., Liu, J., Faheem, M., Noor, R. S. Different sensor based intelligent spraying systems in Agriculture // Sensors and Actuators A: Physical. 2020. Volume 316. P. 1-16.

60. Adejo, A., Onumanyi, A. J., Anyanya, J.M., Oyewobi, S. Oil and gas process monitoring through wireless sensor networks: a survey // Ozean Journal of Applied Sciences. 2013. 6(2). P. 39-43.

61. Akyildiz, I. F., Weilian, S. A survey on sensor networks // IEEE Communications magazine. 2002. 40(8). P. 102-114. doi: 10.1109/MC0M.2002.1024422.

62. Alias, F., Carrie, J. C., Alsina-Pages, R. WASN-Based day-night characterization of urban anomalous noise events in narrow and wide streets // Sensors. 2020. 20(17) 26 p.

63. Briefing on Undersea Surveillance Program by Capt. Anderson. / Department of Defense Appropriations for Fiscal Year 1974 : Hearings before the Research and Development Subcommittee, Committee on Armed Services, United States Senate, 93rd Congress, 1st Session, on S. 1263, February 23, 1973. Washington, D.C.: U.S. Government Printing Office, 1973. 2775 p.

64. Chen, Y., Nasser, N. Energy-balancing multipath routing protocol for wireless sensor networks // Quality of service in heterogeneous wired/wireless networks. New York: Qshine, 2006. Vol. 21. - P. 245-249. doi: 10.1145/1185373.1185401.

65. Chistopolskaya, A., Podolskii, V. V. On the Decision Tree Complexity of Threshold Functions // In International Computer Science Symposium in Russia. 2020. P. 198-210.

66. Das, K., Behera, R. N. A survey on machine learning: concept, algorithms and applications // International Journal of Innovative Research in Computer and Communication Engineering. 2017. 5(2). P. 1301-1309.

67. Fawzi, L. M., Alqarawi, S. M., Ameen, S. Y., Dawood, S. A. Two Levels Alert Verification Technique for Smart Oil Pipeline Surveillance System (SOPSS) // IJCDS Journal. 2019. 8(2). P. 115-124.

68. Gao, T., Greenspan, D., Welsh, M., Juang, R. R., Alm, A. Vital signs monitoring and patient tracking over a wireless network // Proceedings of the 27th IEEE EMBS Annual International Conference. 2005. P. 66-74.

69. Howitt, I., Gutierrez, J. A. IEEE802.15.4 low rate-wireless personal area network coexistence issues // Wireless Communications and Networking. 2003. Vol. 3. P. 1481-1486.

70. Huang, J.H., Amjad, S., Mishra, S. CenWits: A sensor-based loosely coupled search and rescue system using witnesses // Proceedings of the Third International Conference on Embedded Networked Sensor Systems (Sensys), San Diego, CA. 2005. P. 180-191.

71. Indu, S. D. Wireless Sensor Networks: Issues & Challenges // International Journal of Computer Science and Mobile Computing. 2014. Vol. 3, Issue 6. P. 681-685.

72. Jain, U., Hussain, M. Securing wireless sensors in military applications through resilient authentication mechanism // Procedia Computer Science. 2020. Volume 171. P. 719-728.

73. Jolly, K. Machine Learning with scikit-learn Quick Start Guide: Classification, regression, and clustering techniques in Python / Jolly K . - Birmingham: Packt Publishing Ltd, 2018. - 152 p.

74. Kim, D., Choi, J. Efficient imputation method for missing data focusing on local space formed by hyper-rectangle descriptors // In Proceedings of the 8th International Conference on Operations Research and Enterprise Systems (ICORES 2019). 2019. P. 467-472.

75. Kirichek, R. Development of a node-positioning algorithm for wireless sensor networks in 3D space / R. Kirichek and at all. // 18th International Conference on Advanced Communication Technology (ICACT). IEEE, 2016. P. 279-282.

76. Model networks for Internet of things and SDN / R. Kirichek, A. Vladyko, M. Zakharov, A. Koucheryavy // 18th International Conference on Advanced Communication Technology (ICACT). 2016. P. 76-79.

77. Kusiak, A. Data mining: manufacturing and service applications // International Journal of Production Research. 2006. 44 (18-19). P.4175-4191.

78. Lee, S. H., Lee, S., Song, H., Lee, H. S. Wireless sensor network design for tactical military applications: Remote large-scale environments // MILCOM. 2009 IEEE Military Communications Conference. 2009. P. 1-7.

79. Sensor networks for emergency response: challenges and opportunities / Lorincz, K., Malan, D., Fulford-Jones, T. R. F., Nawoj, A., Clavel, A., Shnayder, V., Mainland, G., Welsh, M., Moulton, S. // Pervasive Computing for First Response (Special Issue), IEEE Pervasive Computing, October-December. 2004. P. 16-23.

80. Chester Kim. Measuring Power Consumption of CC2530 With ZStack [Electronic resource] / Texas Instruments Application (Application Note AN079). Available at: http://www.ti.com/lit/an/swra292/swra292.pdf. 22.08.2021 r. 19 p.

81. Patel, H. H., Prajapati, P. Study and analysis of decision tree-based classification algorithms // International Journal of Computer Sciences and Engineering. 2018. 6(10). P. 74-78.

82. Pelckmans, K., Jos, D. B., Johan, A. S., Bart, D. M. Handling missing values in support vector machine classifiers // Neural Networks 18. 2005. .№5-6. P. 684-692.

83. Real-World Applications of Distributed Clustering Mechanism in Dense Wireless Sensor Networks / Prabhu, B., Sudhir, S., Maheswaran, S., Navaneethakrishnan M. // International Journal of Computing, Communications and Networking. 2013. №2. P. 99-105.

84. Design considerations for solar energy harvesting wireless embedded systems / Raghunathan, V., Kansai, A., Hse, J., Friedman, J., Srivastava, M. // Proceedings of the IPSN. 2005. P. 457-462.

85. Ramson, S. R., Moni, D. J. Applications of wireless sensor networks - A survey // 2017 International Conference on Innovations in Electrical, Electronics, Instrumentation and Media Technology (ICEEIMT). 2017. P. 325-329.

86. Second Generation System-on-Chip Solution for 2.4 GHz IEEE 802.15.4 / RF4CE ZigBee [Electronic resource] // Texas Instruments. Available at: http://www.ti.com/lit/ds/symlink/cc2530.pdf/. 22.08.2021. 36 p.

87. Shah, I. K., Maity, T., Dohare, Y.S. Algorithm for energy consumption minimisation in wireless sensor network // IET Communications. 2020. 14(8). P. 1301-1310.

88. Sensor network-based countersniper system / Simon, G., Maroti, M., Ledeczi, A., Balogh, G., Kusy, B., Nadas, A., Pap, G., Sallai, J., Frampton, K. // Proceedings of the Second International Conference on Embedded Networked Sensor Systems (Sensys), Baltimore, MD. 2004. P. 1-12.

89. Thulasiraman, P., White, K. A. Topology control of tactical wireless sensor networks using energy efficient zone routing // Digital Communications and Networks. 2016. Volume 2, Issue 1. P. 1-14.

90. Venkatesan, R., Meng, J. E. A novel progressive learning technique for multi-class classification // Neurocomputing. 2016. 207. P. 310-321.

91. IoT and Machine Learning Approaches for Automation of Farm Irrigation System / Vij, A., Singh, V., Jain, A., Bajaj, S. // Procedia Computer Science. 2020. № 167. P. 1250-1257.

92. Wang, C., Tao, J., Qian, Z. ZigBee® network protocols and applications // CRC Press. Boston: CRC Press, 2014. 378 p.

93. Monitoring volcanic eruptions with a wireless sensor network / Werner-Allen, G., Johnson, J., Ruiz, M., Lees, J., Welsh, M. // Proceeedings of the Second European Workshop on Wireless Sensor Networks, IEEE. Istanbul, 2005. 13 p.

94. Deploying a wireless sensor network on an active volcano / Werner-Allen, G., Lorincz, K., Ruiz, M., Marcillo, O., Johnson, J., Lees, J., Walsh, M. // Data-Driven

Applications in Sensor Networks (Special Issue), IEEE Internet Computing. 2006. P. 18-25.

95. Xu, Y., Heidemann, J., Estrin, D. Geography-informed energy conservation for ad hoc routing // Proceedings of the 7th annual international conference on Mobile computing and networking. Rome, 2001. P. 70-84.

96. Yang, K. Wireless sensor networks: Principles, design and applications // Springer, 2014. 293 p. doi: 10.1007/978-1-4471-5505-8.

97. Yick, J., Mukherjee, B., Ghosal, D. Analysis of a Prediction-based Mobility Adaptive Tracking Algorithm // Proceedings of the IEEE Second International Conference on Broadband Networks (BROADNETS), Boston. 2005. Vol. 1. P. 753-760.

98. Yu, Z., Tsai J. J., Weigert T. An automatically tuning intrusion detection system // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2007. 37(2). P. 373-384.

99. Yu, Z., Tsai, J. J. P. A Framework of Machine Learning Based Intrusion Detection for Wireless Sensor Networks // 2008 IEEE International Conference on Sensor Networks, Ubiquitous, and Trustworthy Computing. 2008. P. 272-279.

100. Yuldashev, M. N., Vlasov, A. I., Novikov, A. N. Energy-efficient algorithm for classification of states of wireless sensor network using machine learning methods // Journal of Physics: Conference Series. 2018. Volume 1015, Issue 3, article id. 032153. P.1-7.

101. Yuldashev, M. N., Vlasov, A. I. Mathematical model of the general problem of state classification in wireless sensor networks // IOP Conference Series: Materials Science and Engineering. 2019. N. 012002. P. 1-4.

102. Yuldashev, M., Vlasov, A. Performance Analysis of Algorithms for Energy-Efficient Data Transfer in Wireless Sensor Networks // 2019 International

Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). 2019. P. 1-6.

103. Hardware design experiences in ZebraNet / Zhang, P., Sadler, C. M., Lyon, S. A., Martonosi, M. // Proceedings of the SenSys'04, Baltimore, MD. 2004. P. 227-238.

104. Zhao, J., Govindan, R. Understanding packet delivery performance in dense wireless sensor networks // Proceedings of the First International Conference on Embedded Networked Sensor Systems (Sensys), Los Angeles, CA. 2003. P. 1-13.

127

ПРИЛОЖЕНИЕ

П.1. Программный код экспериментального исследования адаптивного энергосберегающего алгоритма классификации состояний в беспроводных сенсорных сетях

Файл: тат.ру

from sklearn.model_selection import train_test_split from schemas import *

from generation import generator, clustering, utils

from algorithm import report

from algorithm.model import prepare_model

TIMES = 20000 # количество тестовых данных

K = 4 # количество контролируемых параметров окружающей среды S = 5 # количество состояний сети

# ИССЛЕДОВАНИЕ 1: Зависимость энергоэффективности алгоритма от количества сенсоров сети

print("Тестирование при различном количестве сенсоров, N:") WSN_PARAMETERS = [WSNParameter(f'parameter_{k}') for k in range(K)] WSN_SENSORS_COUNTS = [4, 6, 8, 16, 32] for sensors_count in WSN_SENSORS_COUNTS:

sensors = generator.generate_series(sensors_count, WSN_PARAMETERS, TIMES) x = utils.sensors_to_np_array(sensors) y = clustering.get_clustering(x, S)

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.5, random_state=241)

model = prepare_model(x_train, y_train)

report.print_report(model, sensors, K, S, x, y, x_test, y_test)

# ИССЛЕДОВАНИЕ 2: Зависимость энергоэффективности алгоритма от количества параметров сети print("Тестирование при различном количестве параметров, K:") WSN_PARAMETERS_COUNT = [1, 2, 4, 8] WSN_SENSORS_COUNT = 15

for parameters_count in WSN_PARAMETERS_COUNT:

wsn_parameters = [WSNParameter(f'parameter_{k}') for k in range(parameters_count)] sensors = generator.generate_series(WSN_SENSORS_COUNT, wsn_parameters, TIMES) x = utils.sensors_to_np_array(sensors) y = clustering.get_clustering(x, S)

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.4, random_state=241)

model = prepare_model(x_train, y_train)

report.print_report(model, sensors, parameters_count, S, x, y, x_test, y_test)

# ИССЛЕДОВАНИЕ 3: Зависимость энергоэффективности алгоритма от количества состояний сети

рг1.п-Ь('Тестирование при различном количестве состояний сети, S:") WSN_PARAMETERS = [WSNParameter(f'parameter_{k}') for k in range(K)] WSN_SENSORS_COUNT = 15 WSN_STATES_COUNTS = [2, 4, 8, 16, 32] for states_count in WSN_STATES_COUNTS:

sensors = generator.generate_series(WSN_SENSORS_COUNT, WSN_PARAMETERS, TIMES) x = utils.sensors_to_np_array(sensors) y = clustering.get_clustering(x, states_count)

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.4, random_state=241)

model = prepare_model(x_train, y_train)

report.print_report(model, sensors, len(WSN_PARAMETERS), states_count, x, y, x_test, y_test)

# ИССЛЕДОВАНИЕ 4: Зависимость энергоэффективности алгоритма от количества связей в сети

рг^-^Тестирование при различном количестве связей в сети, h:") WSN_PARAMETERS = [WSNParameter(f'parameter_{k}') for k in range(K)] WSN_SENSORS_COUNT = 15 WSN_CONNECTION_RATES = [1, 2, 3, 5, 8] S_4 = 30

for h in WSN_CONNECTION_RATES:

sensors = generator.generate_series(WSN_SENSORS_COUNT, WSN_PARAMETERS, TIMES) x = utils.sensors_to_np_array(sensors) y = clustering.get_clustering(x, S_4)

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.4, random_state=241)

model = prepare_model(x_train, y_train)

connections = utils.topology_hierarchization(WSN_SENSORS_COUNT, h) for i in range(WSN_SENSORS_COUNT):

sensors[i].connections = connections[i]

report.print_report(model, sensors, len(WSN_PARAMETERS), S_4, x, y, x_test, y_test, h)

Файл: schemas.py

import random

class WSNParameter:

def __init__(self, name):

self.name = name

self.mean = random.randint(0, 100) self.deviation = abs(random.random())

class SensorParameter:

def __init__(self, series):

self.series = series

class Sensor:

def __init__(self, number):

self.number = number self.parameters = {} self.connections = 1

def add_parameter_series(self, parameter, series): self.parameters[parameter] = series

def __repr__(self):

return f"sensor_{self.number} with {len(self.parameters)} parameters"

Файл: generation/clustering.py

from sklearn.cluster import KMeans

from sklearn.preprocessing import StandardScaler

def get_clustering(x, clusters_count): scaler = StandardScaler() scaled_x = scaler.fit_transform(x)

kmeans = KMeans(n_clusters=clusters_count) kmeans.fit(scaled_x)

return kmeans.fit_predict(scaled_x)

Файл: generation/generator.py

import random

import schemas

def gaussian_process(mean, deviation, size):

series = []

previous = mean

for _ in range(size):

value = random.gauss(previous deviation)

series.append(value)

previous = value

return series

def generate_series(sensors_count, parameters, size):

sensors = [schemas.Sensor(i) for i in range(sensors_count)] for parameter in parameters:

for sensor_id in range(sensors_count):

series = gaussian_process(parameter.mean, parameter.deviation, size) sensors[sensor_id].add_parameter_series(parameter, series)

return sensors

Файл: generation/utils.py

import math import numpy as np import random

from sklearn.utils import shuffle

def sensors_to_np_array(sensors):

parameters = list(sensors[0].parameters.keys()) size = len(sensors[0].parameters[parameters[0]])

rows = []

for i in range(size): row = []

for parameter in parameters: for sensor in sensors:

row.append(sensor.parameters[parameter][i]) rows.append(row)

result = np.array(rows) return result

def topology_hierarchization(n, h=1): min_connections = n

max_connections = sum([i for i in range(1, n + 1)])

connections = math.ceil(min_connections * h) assert connections <= max_connections

cur_connections_count = n cur_connections = [n] + [0] * (n - 1)

while cur_connections_count < connections: i = 0

while i < n:

if cur_connections[i] > cur_connections[i + 1]:

break i += 1

cur_connections[i] -= 1 cur_connections[i + 1] += 1

cur_connections_count = sum([i * cur_connections[i - 1] for i in range(1, n + 1)]) result = []

for i, level_count in enumerate(cur_connections): for j in range(level_count): result.append(i + 1) random.shuffle(result)

return result

Файл: algorithm/model.py

from algorithm.license import PredicateDecisionTreeClassifier

def prepare_model(x_train, y_train):

clf = PredicateDecisionTreeClassifier(random_state=241) clf.fit(x_train, y_train) return clf

Файл: generation/report.py

from sklearn.metrics import accuracy_score, f1_score

def get_accuracy_score(model, x_test, y_test): results = model.predict(x_test) return accuracy_score(results, y_test)

def get_f1_score(model, x_test, y_test): results = model.predict(x_test) return f1_score(results, y_test, average='micro')

def get_predicates_size(predicate_features):

return len(predicate_features), sum([len(f.predicates) for f in predicate_features.values()])

def get_efficiency(model, sensors, x): n = len(sensors) counter = 0

predicate_features = model.get_predicate_features()

max_connections = sum([sensor.connections for sensor in sensors]) * len(x) for i in range(len(x)):

sensors_send_data = set() if i == 0:

counter += n else:

for j in range(len(x[0])):

if j in predicate_features:

if predicate_features[j].predict_is_needed( x[i-1][j], x[i][j],

):

model.predict_helper.set_update(j, x[i][j]) sensor_id = (j % len(sensors)) sensors_send_data.add(sensor_id)

for sensor_id in sensors_send_data:

counter += sensors[sensor_id].connections

return int((1 - counter / max_connections) * 100)

def print_report(model, sensors, k, s, x, y, x_test, y_test, h=None): n = len(sensors)

predicate_features = model.get_predicate_features()

accuracy_score = get_accuracy_score(model, x_test, y_test) f1_score = get_f1_score(model, x_test, y_test)

params_size, predicates_size = get_predicates_size(predicate_features) efficiency = get_efficiency(model, sensors, x)

print(f"N={n:<2}, " f"K={k}, " f"CN={n * k:<2}, " f"S={s}, " +

(f"h: {h:<1}, " if h else "") +

f"TOHHOCTb: {accuracy_score:<6.4f}, "

f"f-Mepa: {f1_score:<6.4f}, "

f"CN': {params_size:<2}, "

f"P: {predicates_size:<2}, "

f"KS: {efficiency:<2}%"

f"")

П. 2. Свидетельство о гос. регистрации программы для ЭВМ.

росшйкяши ФВДШРАЩШШ

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2020665601

ж

Программный комплекс д объекта на основе диапазонов

классификации

тов дерева решении

Правооб

образовательное учреждение высшего образования «Московы государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)» (МГТУ им. Н.Э. Баумана) (НИ)

Авторы: Юлдашев Михаил Николаевич (Яи),

Власов Андрей Игоревич (К11)

Заявка № 2020664889

Дата поступления 20 ноября 2020 Г. Дата государственной регистрации в Реестре программ для ЭВМ 27 ноября 2020 г.

Руководитель Федеральной службы по интеллектуальной собственности

Г.П. Ивлиев

Акты о внедрении

Утверждаю ервый проректор -по научной работе ческому развитию 'У им.ШЭ.Баумаыа С^.Н.Коробец

АКТ

об использовании результатов диссертационной работы Юлдашева М.Н.

Мы, нижеподписавшиеся, заведующий кафедрой "Проектирование и технология производства электронной аппаратуры" проф., д.т.н. Шахнов В.А. и профессор вышеназванной кафедры, д.т.н. Артемьев Б.В. составили настоящий акт в том, что результаты диссертационной работы Юлдашева М.Н. в части:

модель беспроводной сенсорной сети при задаче классификации состояний, позволяющая вычислить энергопотребление сети по базовым параметрам сети, таким как: количество сенсоров, контролируемых параметров окружающей среды, состояний сети;

методика генерации динамики параметров окружающей среды при помощи гауссовских процессов, обеспечивающая высокую схожесть с реальными процессами для проведения экспериментальных исследований;

модель беспроводной сенсорной сети, позволяющая проводить экспериментальную оценку качества алгоритмов классификации состояний сети;

использованы в рамках НИОКР по государственному заданию «Фундаментальные исследования методов цифровой трансформации компонентной базы микро- и наносистем», шифр: Р8РМ-2020-0041.

Зав. кафедрой "Проектирование и технология производства электронной аппаратуры", ^^

профессор , д.т.н. ____________- (Шахнов В.А.)

" Г " 2020 г.

Профессор кафедры "Проектирование и технология производства электронной аппаратуры", ,,

профессор , д.т.н. -ч/ _(Артемьев Б.В.)

" е' " ЦлЯОУ^ С^- 2©2И г.

1 I

АКТ

об использовании результатов диссертационной работы Юлдашева МЛ!

Мы, нижеподписавшиеся, заведующий кафедрой "Проектирование и технология производства электронной аппаратуры" проф., д.т.н. Шахнов В.А. и профессор вышеназванной кафедры, д.т.н. Артемьев Б.В. составили настоящий акт в том, что результаты диссертационной работы Юлдашева М.Н. в части:

способ расчета энергоэффективности алгоритма классификации состояний беспроводной сенсорной, позволяющий дать количественную оценку энергоэффективности алгоритма на основе параметров сети и динамики параметров окружающей среды;

зависимость энергопотребления узла беспроводной сенсорной сети от выполняемых функций, позволяющая определить наиболее энергозатратные операции при функционировании сенсора;

классификация моделей обработки данных в беспроводных сенсорных сетях, позволяющая определить наиболее надежную и менее энергозатратную модель передачи данных;

математическая модель задачи классификации состояний беспроводной сенсорной сети, позволяющая на основе полученных параметров моделировать беспроводную сенсорную сеть и вычислять ее энергоэффективность; использованы при НИОКР по Гранту РФФИ № 17-07-00689 «Исследования методов синтеза распределенных сенсорных систем по критерию минимизации сетевой нагрузки».

Зав. кафедрой "Проектирование и технология производства электронной аппаратуры",

профессор, д.т.н.

(Шахнов В„А.)

Профессор кафедры "Проектирование и технология производства электронной аппаратуры",

иаах.Ш ( д 2020 г.

-!-Г^"-*-