무선 센서 네트워크에서 에너지 효율적인 클러스터링 기법 :Energy Efficient Clustering Methods for Wireless Sensor Networks

김현덕

추천

검색

자료유형: 학위논문

저자정보: 김현덕 (인하대학교, 인하대학교 대학원)

지도교수: 최원익

발행연도: 2014

저작권: 인하대학교 논문은 저작권에 의해 보호받습니다.

이용수3

이 논문의 연구 히스토리 (3)

2014

무선 센서 네트워크에서 센서 노드의 에너지 잔량을 고려한 협력통신 방법

김현덕 , 홍승기 , 유보선 외 1명 정보과학회논문지 : 정보통신 2014.04 학술저널

무선 센서 네트워크에서 에너지 효율적인 클러스터링 기법

김현덕 일반 2014.01 학위논문

2011

무선 센서 네트워크에서 센서노드의 구조를 고려한 에너지 효율적인 클러스터링 형성 방법

김현덕 , 유보선 , 최원익 한국통신학회 학술대회논문집 2011.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

유비쿼터스 환경을 이루기 위해 가장 중심이 되는 기술이 바로 무선 센서 네트워크 기술이다. 이러한 무선 센서 네트워크에서 사용되는 센서 노드들은 MEMS나 임베디드기술 등의 계속적인 발전으로 인하여 현재 까지 연구, 개발이 진행되고 있으며, 여러 분야 에서 다양하게 응용되어 진다. 그러나 이러한 무선 센서 네트워크 환경은 센서 노드들의 배터리의 용량이 제한되어 있고, 재충전 또한 불가능한 경우가 많으므로 에너지 소모를 최소화 하는 것은 매우 중요한 이슈 중에 하나이다. 이러한 이유로 네트워크 계층에서는 센서 노드들의 에너지 소모를 최소화하기 위해 최적의 라우팅 방법을 통해 에너지의 효율을 극대화한 라우팅 기법이 필요하다.
이러한 라우팅 기법 중 클러스터 방법은 센서 노드의 구조를 계층적 구조로 나누어 에너지 효율적인 통신이 가능하게 하였다. 그러나 대부분의 연구에서 나타나는 문제점은 노드의 실제 배치를 생각하지 않고, 일방적인 그리드 형태의 구조 또는 무작위 적인 클러스터 구조와 함께 사전에 정해진 클러스터 헤드의 수를 기준으로 클러스터를 형성하고, 데이터를 전송함으로써 불필요한 에너지가 소모되게 된다. 따라서 본 논문에서는 이러한 문제를 해결하기 위해서 필드의 크기, 싱크의 위치와 노드의 수에 따라 클러스터 헤드의 수를 정하고 후에 클러스터내의 노드의 수를 조절하기 위해 트리기반의 색인방법인 R-tree에서 사용되는 분할/병합 방법을 응용하여 효율적인 클러스터 구조를 형성하는 EECM방법을 제안하였다. EECM은 기존의 문제가 되었던 불균형한 클러스터 문제와 필드 크기에 비해 너무 많거나 적어지게 되었던 클러스터의 수를 조절함으로써 최적의 클러스터 구조를 형성 하여 불필요한 에너지를 줄일 수 있게 된다. 또한 EECM에서는 기존의 방법들에서 문제가 됐던 클러스터 헤드의 극심한 에너지 소모를 방지할 수 있도록 협력통신을 사용하게 된다. 센서 네트워크의 특성상 데이터 전송 거리가 멀어질수록 소모되는 에너지는 기하급수적으로 늘어나게 된다. 이러한 문제를 해결하기 위해 본 논문에서는 협력통신을 사용하여 거리가 늘어나도 소모되는 에너지양의 크기를 줄일 수 있는 방법을 제안하였다. 제안 방법을 다양한 환경에서의 실험결과 제안된 EECM방법은 기존의 방법들 대비 최대 3배 이상의 에너지 효율을 보이는 것으로 나타났다.

Wireless sensor network(WSN) technology is one of the most important components in realizing ubiquitous environment. For sensor nodes that form such WSN, the advance of the MEMS and embedded technology continuously promotes the development of sensor nodes. One significant issue in WSN is to maximize the lifetime of the sensor network since sensor nodes are generally energy-limited and hardly rechargeable. For this reason, in network layer, it is necessary to develop routing methods that minimize the energy consumption of sensor nodes in order to maximize the energy efficiency. The clustering method that is one of the most wellknown routing methods leads to more energy efficient communication by employing the hierarchical structure in sensor network. However, existing methods consume additional energy because, without a consideration of actual deployment of sensor nodes in real world, they form sensor network and transfer data assuming grid-based or random cluster structures. To address this problem, in this paper, we propose the EECM, which automatically determines the number of clusters considering the size of monitoring field, location of sink and number of sensor nodes. EECM forms more energy efficient cluster structures by adjusting the number of sensor nodes in each cluster through splitting or merging clusters. Unlike existing approaches that suffer from unbalanced cluster structures in which some clusters have too many sensor nodes while others have too less sensor nodes, EECM successfully minimizes the unnecessary energy consumption and forms optimized cluster structures by adjusting the number of cluster head. In addition, EECM employs the concept of cooperative communication in order to prevent the severe energy consumption in cluster heads. In general, the energy consumption for data transmission exponentially increases as the data transmission distance increases. The cooperative communication consumes less energy even for data transmission between sensor nodes that locate far away comparing existing methods. A performance evaluation shows that the EECM method achieves up to 3 times higher survival rates than previous methods, under various operational conditions.

#EECM #LEACH #협력통신 #클러스터링 #R-tree #분할/병합

1. 서 론 1
1-1. 연구 배경 및 목적 1
1-2. 연구 범위 및 논문의 구성 7
2. 관련연구 10
2-1. LEACH 10
2-2. LEACH-C 13
2-3. PEGASIS 17
2-4. PEDAP 19
2-5. Binary-combining 기법 20
2-6. GAF 21
2-7. TTDD 23
2-8. HEED 25
2-9. EEUC 29
2-10. 히치하이킹(Hitch-hiking) 32
2-11. CoopLEACH 34
2-12. 밀도를 고려한 스케줄링 방법 37
2-13. 라디오 모델 39
2-14. R-tree 40
3. 제안기법 42
3-1. N-EECM 43
3-1-1. 클러스터의 개수 정하기 43
3-1-2. 클러스터 구성 45
3-1-3. 제안된 클러스터 구성방법 49
3-1-4. 맞춤형 이동 싱크 52
3-2. D-EECM 54
3-2-1. M값과 m값 정하기 54
3-2-2. VOP값 정하기 55
3-2-3. 제안된 클러스터 구성방법 58
3-3. C-EECM 61
3-3-1. 설정 단계 61
3-3-2. 안정화 단계 62
3-3-3. 통신 단계 . 63
3-3-4. 최적의 DT값 정하기 65
3-3-5. 제안된 클러스터 구성방법 67
3-4. R-EECM 70
3-4-1. 클러스터 헤드, 보조 클러스터 헤드 선출 70
3-4-2. 맞춤형 데이터 전송 72
3-4-3. 제안된 클러스터 구성방법 76
3-5. H-EECM 78
3-5-1. 설정 단계 79
3-5-2. 단거리 통신 79
3-5-3. 장거리 통신 84
3-6. EECM 86
3-6-1. 설정 단계 86
3-6-2. 데이터 수집 단계 87
3-6-3. 데이터 전송 단계 88
3-6-4. 제안 방법의 동작 알고리즘 89
4. 에너지 모델 94
5. 실험결과 99
5-1. N-EECM 101
5-2. D-EECM 103
5-2-1. 맞춤형 라운드 길이 105
5-3. C-EECM 109
5-4. R-EECM 111
5-5. H-EECM 114
5-6. 제안 방법들의 센서 노드 생존율 117
5-7. EECM 119
6. 결 론 121
참고문헌 125

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)