Machine learning based efficient routing protocol in wireless sensor network

• Madkar, Shankar ^[1] ; Pardeshi, Sanjay ^[2] ; Kumbhar, Mahesh Shivaji ^[3]
  1. [1] Shivaji University

     Shivaji University

     India

     
  2. [2] Government Residence women Polytechnic Tasgaon, Sangli, India
  3. [3] Rajarambapu Institute of Technology, Department of E&TC. Rajaramnagar, India

  Mostrar afiliaciones +
• Localización: Salud, Ciencia y Tecnología, ISSN 2796-9711, Nº. 2, 2022 (Ejemplar dedicado a: Salud, Ciencia y Tecnología), pág. 195
• Idioma: inglés
• Títulos paralelos:
  • Protocolo de enrutamiento eficiente basado en aprendizaje automático para redes de sensores inalámbricas
• Enlaces
  • Texto completo
• Resumen
  • español

    La pérdida y recuperación de datos son factores importantes que afectan directamente a la eficiencia de la red de sensores inalámbricos (WSN). Las características del canal inalámbrico tienen un impacto significativo en la transmisión y recepción de datos. En el lado del receptor, las tareas más difíciles son maximizar el ratio de entrega de paquetes y recuperar los datos perdidos. En algunos casos, los algoritmos basados en la comprobación de redundancia cíclica (CRC) pueden proporcionar una mejor recuperación de los datos. El método CRC puede hacerse adaptativo utilizando las características del canal para corregir los bits de error. Este trabajo evalúa el rendimiento del protocolo de enrutamiento eficiente basado en aprendizaje automático (ML-ERP) propuesto. Para la recuperación de datos, se utilizó el CRC con predicción de respuesta al impulso del canal (CIR) basada en la información de localización de los nodos sensores. La capacidad de recuperación de datos de ML-ERP aumentó la eficiencia de la red en términos de ratio de entrega de paquetes. Además, debido a la menor pérdida de datos, la eficiencia energética de la red también mejoró en casi un 6% respecto a los protocolos existentes.

  • English

    Data loss and recovery are important factors that directly affect the efficiency of the wireless sensor network (WSN). The wireless channel characteristics have a significant impact on data transmission and reception. On the receiver side, the most difficult tasks are maximizing packet delivery ratio and recovering lost data. In some cases, cyclic redundancy check (CRC) based algorithms can provide better data recovery. The CRC method can be made adaptive by using channel characteristics to correct the error bits. This paper evaluates the performance of the proposed machine learning-based efficient routing protocol (ML-ERP). For data recovery, the CRC with channel impulse response (CIR) prediction based on sensor node location information was used. The data recovery capability of ML-ERP increased the network efficiency in terms of packet delivery ratio. Also, due to less data loss, the energy efficiency of the network was also improved by almost 6% over existing protocols.