Cluster Sizing and Head Selection for Efficient Data Aggregation and Routing in Sensor Networks

Abstract

Efficient sensor data fusion is one of the more critical and challenging tasks in building practical sensor networks. It is widely understood that transmitting raw sensor data to a central location for processing is severely hampered by scaling, in terms of energy consumption and latency costs, in large scale wireless networks. However, many detection, classification, estimation, and phenomena modeling algorithms rely heavily on the individual data from each sensor and thus require raw data collection, if not from the entire network, then at least among localized node clusters of varying sizes. In order to make the data collection as efficient as possible, various compression and fusion techniques have been proposed and are currently being investigated. In addition to the compression and fusion algorithms, the topology of the aggregation, e.g. the clusters and routes used, can play a significant role in the achievable compression rates.

دانلود رایگان مقاله انگلیسی                    239.53 KB

چکیده
ترکیب داده های حسگر موثر، یکی از مهم ترین و چالش انگیزترین عملیات در ساخت شبکه های حسگر عملی می باشد. که به نظر می رسد که ارسال داده های حسگر خام به موقعیت مرکزی برای پردازش بشدت توسط مقیاس گذاری برحسب مصرف انرژی و هزینه های تاخیر در شبکه های بی سیم مقیاس بزرگ جلوگیری می شود. با این حال، اکثر الوریتم های تشخیص، دسته بندی، ارزیابی و مدل سازی پدیده ها عمدتا برپایه ی داده های انحصاری از هر حسگر می باشند و بنابراین به جمع آوری داده های خام نیاز دارند، در صورتیکه از شبکه ی کامل نباشند، در اینصورت حداقل میان خوشه های گره محل یابی شده با سایزهای مختلف می باشند. به منظور هرچه موثرتر سازی جمع آوری داده ها، تکنیک های ترکیب و فشرده سازی متعددی پیشنهاد شده اند و اخیرا مورد بررسی قرار می گیرند. بعلاوه برای الگوریتم های فشرده سازی و ترکیب، توپولوژی تراکم، بعنوان مثال خوشه ها و مسیرهای استفاده شده می تواند نقش مهمی در نرخ های فشرده سازی قابل دستیابی ایفا کند.
تعداد صفحات مقاله انگلیسی:  6 صفحه

تعداد صفحات مقاله فارسی:  12 صفحه