Drahtlose Sensornetzwerke ( WSNs ) sind Netzwerke aus räumlich verteilten, dedizierten Sensoren, die die physikalischen Bedingungen der Umgebung überwachen und aufzeichnen und die gesammelten Daten an einen zentralen Ort weiterleiten. WSNs können Umweltbedingungen wie Temperatur, Schall, Schadstoffbelastung, Luftfeuchtigkeit und Wind messen. [ 1 ]

Diese Netzwerke ähneln drahtlosen Ad-hoc-Netzwerken , da sie auf drahtloser Konnektivität und spontaner Netzwerkbildung basieren, um Sensordaten drahtlos zu übertragen. WSNs überwachen physikalische Zustände wie Temperatur , Schall und Druck . Moderne Netzwerke sind bidirektional und erfassen sowohl Daten [ 2 ] als auch die Steuerung der Sensoraktivität [3]. Die Entwicklung dieser Netzwerke wurde durch militärische Anwendungen wie die Gefechtsfeldüberwachung motiviert [ 4 ]  . Solche Netzwerke werden in industriellen und Verbraucheranwendungen eingesetzt, beispielsweise zur Überwachung und Steuerung industrieller Prozesse, zur Zustandsüberwachung von Maschinen und in der Landwirtschaft [ 5 ] .

Ein drahtloses Sensornetzwerk (WSN) besteht aus „Knoten“ – von wenigen bis zu Hunderten oder Tausenden –, wobei jeder Knoten mit anderen Sensoren verbunden ist. Jeder Knoten besteht typischerweise aus mehreren Komponenten: einem Funktransceiver mit interner Antenne oder Anschluss an eine externe Antenne, einem Mikrocontroller , einer elektronischen Schaltung zur Ansteuerung der Sensoren und einer Energiequelle, üblicherweise einer Batterie oder einer integrierten Energiegewinnungstechnologie . Die Größe eines Sensorknotens kann von der eines Schuhkartons bis hin zu (theoretisch) einem Staubkorn variieren, obwohl mikroskopische Dimensionen noch nicht realisiert wurden. Die Kosten für Sensorknoten sind ebenfalls variabel und reichen je nach Komplexität des Knotens von wenigen bis zu Hunderten von Dollar. Größen- und Kostenbeschränkungen begrenzen Ressourcen wie Energie, Speicher, Rechengeschwindigkeit und Kommunikationsbandbreite. Die Topologie eines WSN kann von einem einfachen Sternnetzwerk bis hin zu einem komplexen drahtlosen Mesh-Netzwerk mit mehreren Hops reichen . Die Ausbreitung kann mittels Routing oder Flooding erfolgen . [ 6 ] [ 7 ]

In der Informatik und Telekommunikation stellen drahtlose Sensornetzwerke ein aktives Forschungsgebiet dar, das zahlreiche Workshops und Konferenzen umfasst, darunter den International Workshop on Embedded Networked Sensors (EmNetS), die International Conference on Information Processing in Sensor Networks (IPSN), SenSys, MobiCom und die European Conference on Wireless Sensor Networks (EWSN). Bis 2010 waren  weltweit etwa 120 Millionen drahtlose Sensornetzwerke im Einsatz. [ 8 ]

Anwendung

Gebietsüberwachung

Die Gebietsüberwachung ist eine gängige Anwendung von drahtlosen Sensornetzwerken (WSN). Dabei wird das WSN über einem Gebiet eingesetzt, in dem ein bestimmtes Phänomen überwacht werden soll. Ein militärisches Beispiel ist der Einsatz von Sensoren zur Erkennung feindlichen Eindringens; ein ziviles Beispiel ist die Geofencing-Funktion für Gas- oder Ölpipelines .

Gesundheitsüberwachung

Für medizinische Anwendungen gibt es verschiedene Arten von Sensornetzwerken: implantierbare, tragbare und in die Umgebung integrierte. Implantierbare medizinische Geräte werden in den menschlichen Körper eingeführt. Tragbare Geräte werden auf der Körperoberfläche oder in unmittelbarer Nähe des Nutzers verwendet. Umgebungsintegrierte Systeme nutzen Sensoren, die in der Umgebung vorhanden sind. Mögliche Anwendungen umfassen die Messung der Körperposition, die Ortung von Personen und die Überwachung kranker Patienten im Krankenhaus und zu Hause. In die Umgebung integrierte Geräte erfassen den physischen Zustand einer Person für eine kontinuierliche Gesundheitsdiagnose. Als Eingangsdaten dienen ihnen Daten aus einem Netzwerk von Tiefenkameras , einem Sensorboden oder ähnlichen Geräten. Körperbereichsnetzwerke können Informationen über Gesundheit, Fitness und Energieverbrauch einer Person sammeln. [ 9 ] [ 10 ] Im Gesundheitswesen haben Datenschutz und Authentizität der Nutzerdaten höchste Priorität. Insbesondere durch die Integration von Sensornetzwerken in das Internet der Dinge (IoT) wird die Nutzerauthentifizierung komplexer; in aktuellen Arbeiten wird jedoch eine Lösung vorgestellt. [ 11 ]

Lebensraumüberwachung

Drahtlose Sensornetzwerke wurden zur Überwachung verschiedener Arten und Lebensräume eingesetzt , angefangen mit dem Great Duck Island Deployment, darunter Murmeltiere, Aga-Kröten in Australien und Zebras in Kenia. [ 12 ]

Umwelt-/Erdsensorik

Es gibt zahlreiche Anwendungsbereiche für die Überwachung von Umweltparametern [ 13 ] , von denen im Folgenden Beispiele aufgeführt werden. Sie alle stehen vor den zusätzlichen Herausforderungen rauer Umgebungsbedingungen und reduzierter Stromversorgung.

Luftqualitätsüberwachung

Experimente haben gezeigt, dass die persönliche Belastung durch Luftverschmutzung in Städten stark variieren kann. [ 14 ] Daher ist eine höhere zeitliche und räumliche Auflösung der Schadstoff- und Feinstaubkonzentrationen von Interesse . Zu Forschungszwecken wurden drahtlose Sensornetzwerke eingesetzt, um die Konzentration gefährlicher Gase für die Bevölkerung zu überwachen (z. B. in London ). [ 15 ] Sensoren für Gase und Feinstaub weisen jedoch eine hohe Variabilität zwischen den einzelnen Geräten, Querempfindlichkeiten und (Konzept-)Drift auf. [ 16 ] Darüber hinaus ist die Datenqualität derzeit für eine verlässliche Entscheidungsfindung unzureichend, da die Kalibrierung im Feld zu unzuverlässigen Messergebnissen führt und häufige Nachkalibrierungen erforderlich sein können. Eine mögliche Lösung wäre die Blindkalibrierung oder die Verwendung mobiler Referenzgeräte. [ 17 ] [ 18 ]

Waldbranderkennung

In einem Wald kann ein Netzwerk von Sensorknoten installiert werden, um den Ausbruch eines Feuers zu erkennen . Die Knoten können mit Sensoren ausgestattet werden, die Temperatur, Luftfeuchtigkeit und die durch das Feuer in Bäumen oder Vegetation entstehenden Gase messen. Die Früherkennung ist entscheidend für einen erfolgreichen Einsatz der Feuerwehr; dank drahtloser Sensornetzwerke kann die Feuerwehr den Ausbruch eines Feuers und seine Ausbreitung genau verfolgen.

Erdrutscherkennung

Ein Erdrutsch -Erkennungssystem nutzt ein drahtloses Sensornetzwerk, um selbst geringfügige Bodenbewegungen und Veränderungen verschiedener Parameter vor oder während eines Erdrutsches zu erfassen. Mithilfe der gesammelten Daten kann ein drohender Erdrutsch möglicherweise lange vor seinem tatsächlichen Eintreten erkannt werden.

Wasserqualitätsüberwachung

Die Überwachung der Wasserqualität umfasst die Analyse der Wassereigenschaften in Stauseen, Flüssen, Seen und Ozeanen sowie in Grundwasserreserven. Der Einsatz zahlreicher drahtloser, verteilter Sensoren ermöglicht die Erstellung einer genaueren Karte des Wasserzustands und die dauerhafte Installation von Messstationen an schwer zugänglichen Orten, ohne dass eine manuelle Datenerfassung erforderlich ist. [ 19 ]

Naturkatastrophenprävention

Drahtlose Sensornetzwerke können wirksam dazu beitragen, die negativen Folgen von Naturkatastrophen wie Überschwemmungen zu verhindern. Drahtlose Knoten wurden bereits erfolgreich in Flüssen eingesetzt, wo Wasserstandsänderungen in Echtzeit überwacht werden müssen.

Industrielle Überwachung

Maschinenzustandsüberwachung

Drahtlose Sensornetzwerke wurden für die zustandsorientierte Instandhaltung von Maschinen (CBM) entwickelt, da sie erhebliche Kosteneinsparungen ermöglichen und neue Funktionalitäten bieten. [ 20 ]

Drahtlose Sensoren können an Orten platziert werden, die mit einem kabelgebundenen System schwer oder gar nicht erreichbar sind, wie z. B. rotierende Maschinen und ungebundene Fahrzeuge.

Datenprotokollierung

Drahtlose Sensornetzwerke werden auch zur Datenerfassung für die Überwachung von Umweltinformationen eingesetzt. [ 21 ] Dies kann so einfach sein wie die Überwachung der Temperatur in einem Kühlschrank oder des Wasserstands in Überlaufbecken von Kernkraftwerken. Die statistischen Daten können anschließend genutzt werden, um die Funktionsweise der Systeme zu analysieren. Der Vorteil drahtloser Sensornetzwerke gegenüber herkömmlichen Datenloggern liegt in der Möglichkeit der Echtzeit-Datenerfassung.

Wasser-/Abwasserüberwachung

Die Überwachung der Wasserqualität und des Wasserstands umfasst zahlreiche Aktivitäten, wie die Prüfung der Qualität von Grund- und Oberflächenwasser sowie die Sicherstellung einer funktionierenden Wasserinfrastruktur zum Wohle von Mensch und Tier. Sie kann auch dazu beitragen, Wasserverschwendung zu vermeiden.

Strukturelle Zustandsüberwachung

Mithilfe von entsprechend angeschlossenen Sensoren können drahtlose Sensornetzwerke (WSN) zur Überwachung des Zustands ziviler Infrastruktur und damit verbundener geophysikalischer Prozesse nahezu in Echtzeit und über lange Zeiträume durch Datenprotokollierung eingesetzt werden.

Weinproduktion

Drahtlose Sensornetzwerke werden zur Überwachung der Weinproduktion sowohl auf dem Feld als auch im Weinkeller eingesetzt. [ 22 ]

Bedrohungserkennung

Das Wide Area Tracking System (WATS) ist ein Prototyp-Netzwerk zur Detektion bodengestützter Nuklearwaffen [ 23 ] , beispielsweise einer nuklearen „Briefkofferbombe“ . WATS wird am Lawrence Livermore National Laboratory (LLNL) entwickelt. Es besteht aus drahtlosen Gamma- und Neutronensensoren, die über ein Kommunikationsnetzwerk verbunden sind. Die von den Sensoren erfassten Daten werden einer Datenfusion unterzogen , d. h. in leicht interpretierbare Formen umgewandelt; diese Datenfusion ist der wichtigste Aspekt des Systems. [ 24 ]

Die Datenfusion erfolgt innerhalb des Sensornetzwerks und nicht auf einem zentralen Rechner. Sie wird mithilfe eines speziell entwickelten, auf Bayes'scher Statistik basierenden Algorithmus durchgeführt . [ 25 ] WATS verzichtet auf einen zentralen Rechner für die Analyse, da Forscher festgestellt haben, dass Faktoren wie Latenz und verfügbare Bandbreite häufig zu erheblichen Engpässen führen. Die Datenverarbeitung direkt im Netzwerk (durch den Austausch kleiner Datenmengen zwischen benachbarten Sensoren) ist schneller und erhöht die Skalierbarkeit des Netzwerks. [ 25 ]

Ein wichtiger Faktor bei der Entwicklung von WATS ist die einfache Einsatzbarkeit , da eine höhere Anzahl von Sensoren sowohl die Detektionsrate verbessert als auch Fehlalarme reduziert. [ 25 ] WATS-Sensoren können fest installiert oder in Fahrzeugen montiert werden, um bestimmte Bereiche mobil zu schützen. Eine Hürde für die Implementierung von WATS sind Größe, Gewicht, Energiebedarf und Kosten der derzeit verfügbaren drahtlosen Sensoren. [ 25 ] Die Entwicklung verbesserter Sensoren ist ein zentraler Bestandteil der aktuellen Forschung im Direktorat für Nichtverbreitung, Rüstungskontrolle und Internationale Sicherheit (NAI) des LLNL.

WATS wurde am 1. Oktober 1997 dem Unterausschuss für militärische Forschung und Entwicklung des US-Repräsentantenhauses im Rahmen einer Anhörung zu nuklearen Terrorismus und Gegenmaßnahmen vorgestellt. [ 24 ] In einer darauffolgenden Sitzung desselben Unterausschusses am 4. August 1998 erklärte der Vorsitzende Curt Weldon , dass die Forschungsmittel für WATS von der Clinton- Regierung auf ein Existenzminimum gekürzt und das Programm schlecht reorganisiert worden seien. [ 26 ]

Vorfallüberwachung

Studien zeigen, dass der Einsatz von Sensoren zur Ereignisüberwachung die Reaktionsfähigkeit von Feuerwehr und Polizei in unerwarteten Situationen verbessert. [ 27 ] Zur Früherkennung von Ereignissen können akustische Sensoren eingesetzt werden, um einen Anstieg des Stadtlärms aufgrund eines möglichen Unfalls zu erfassen, [ 28 ] oder thermische Sensoren, um einen möglichen Brand zu erkennen. [ 29 ]

Lieferketten

Durch den Einsatz von energiesparender Elektronik können WSNs auch kosteneffizient in Lieferketten verschiedener Branchen eingesetzt werden. [ 30 ]

Eigenschaften

Zu den Hauptmerkmalen eines WSN gehören

  • Beschränkungen des Stromverbrauchs für Knoten, die Batterien oder Energiegewinnung nutzen . Beispiele für Anbieter sind ReVibe Energy [ 31 ] und Perpetuum [ 32 ].
  • Fähigkeit, mit Knotenausfällen umzugehen ( Resilienz )
  • Eine gewisse Mobilität der Knoten (für hochmobile Knoten siehe MWSNs )
  • Heterogenität der Knoten
  • Homogenität der Knoten
  • Skalierbarkeit für großflächige Implementierungen
  • Fähigkeit, rauen Umweltbedingungen standzuhalten
  • Benutzerfreundlichkeit
  • Cross-Layer-Optimierung [ 33 ] [ 34 ] [ 35 ]

Cross-Layer-Architekturen entwickeln sich zu einem wichtigen Forschungsgebiet für drahtlose Kommunikation. [ 34 ] Darüber hinaus weist der traditionelle geschichtete Ansatz drei Hauptprobleme auf:

  1. Der traditionelle geschichtete Ansatz kann keine unterschiedlichen Informationen zwischen den Schichten austauschen, was dazu führt, dass jede Schicht nicht über vollständige Informationen verfügt. Der traditionelle geschichtete Ansatz kann die Optimierung des gesamten Netzwerks nicht gewährleisten.
  2. Der traditionelle, geschichtete Ansatz ist nicht in der Lage, sich an den Umweltwandel anzupassen.
  3. Aufgrund von Interferenzen zwischen den verschiedenen Benutzern, Zugriffskonflikten, Fading und sich ändernder Umgebung in drahtlosen Sensornetzwerken ist der traditionelle geschichtete Ansatz für kabelgebundene Netzwerke nicht auf drahtlose Netzwerke anwendbar.

Die Cross-Layer-Technologie ermöglicht die Optimierung der Modulation zur Verbesserung der Übertragungsleistung, beispielsweise hinsichtlich Datenrate , Energieeffizienz und Dienstgüte (QoS) [ 34 ] . Sensorknoten lassen sich als kleine Computer mit sehr einfachen Schnittstellen und Komponenten vorstellen. Sie bestehen üblicherweise aus einer Verarbeitungseinheit mit begrenzter Rechenleistung und begrenztem Speicher, Sensoren oder MEMS (einschließlich spezifischer Signalaufbereitungsschaltungen), einem Kommunikationsgerät (meist Funk- oder alternativ optische Transceiver ) und einer Stromquelle, üblicherweise einer Batterie. Weitere mögliche Komponenten sind Energiegewinnungsmodule [ 36 ] , sekundäre ASICs und gegebenenfalls eine zusätzliche Kommunikationsschnittstelle (z. B. RS-232 oder USB ).

Die Basisstationen sind eine oder mehrere Komponenten des WSN und verfügen über deutlich mehr Rechen-, Energie- und Kommunikationsressourcen. Sie fungieren als Schnittstelle zwischen Sensorknoten und Endnutzer, indem sie Daten vom WSN typischerweise an einen Server weiterleiten. Weitere spezielle Komponenten in routingbasierten Netzwerken sind Router, die für die Berechnung, Ermittlung und Verteilung der Routingtabellen zuständig sind. [ 37 ]

Plattformen

Hardware

Eine zentrale Herausforderung bei drahtlosen Sensornetzwerken (WSN) ist die Herstellung kostengünstiger und winziger Sensorknoten. Immer mehr kleine Unternehmen produzieren WSN-Hardware, und die Marktsituation ähnelt der Heimcomputer-Ära der 1970er-Jahre. Viele der Knoten, insbesondere ihre Software, befinden sich noch in der Forschungs- und Entwicklungsphase. Ein weiterer wesentlicher Aspekt bei der Einführung von Sensornetzwerken ist der Einsatz energieeffizienter Verfahren für die Funkkommunikation und Datenerfassung.

In vielen Anwendungen kommuniziert ein drahtloses Sensornetzwerk (WSN) über ein Gateway mit einem lokalen Netzwerk (LAN ) oder einem Weitverkehrsnetz (WAN ). Das Gateway fungiert als Brücke zwischen dem WSN und dem anderen Netzwerk. Dadurch können Daten von Geräten mit mehr Ressourcen, beispielsweise auf einem entfernten Server , gespeichert und verarbeitet werden . Ein drahtloses Weitverkehrsnetz, das primär für Geräte mit geringem Stromverbrauch genutzt wird, wird als Low-Power Wide-Area Network ( LPWAN ) bezeichnet.

Drahtlos

Für die Vernetzung von Sensorknoten existieren verschiedene drahtlose Standards und Lösungen. Thread und ZigBee ermöglichen die Verbindung von Sensoren, die mit 2,4 GHz arbeiten und eine Datenrate von 250 kbit/s erreichen. Viele nutzen niedrigere Frequenzen, um die Reichweite zu erhöhen (typischerweise 1 km). Z-Wave beispielsweise arbeitet mit 915 MHz (in Nordamerika), während in der EU 868 MHz weit verbreitet ist. Diese Frequenzen bieten jedoch eine geringere Datenrate (typischerweise 50 kbit/s). Die IEEE-802.15.4-Arbeitsgruppe stellt einen Standard für die Vernetzung von Geräten mit geringem Stromverbrauch bereit. Sensoren und Smart Meter nutzen üblicherweise einen dieser Standards. Mit dem Aufkommen des Internets der Dinge (IoT) wurden zahlreiche weitere Vorschläge zur Sensorvernetzung entwickelt. LoRa [ 38 ] ist eine Form von LPWAN ( Low Power Network Area Network) , die drahtlose Verbindungen mit geringem Stromverbrauch über große Entfernungen ermöglicht und in Smart Metern sowie anderen Anwendungen mit Sensoren für große Reichweiten eingesetzt wird. Wi-SUN [ 39 ] vernetzt Geräte im Heimnetzwerk. NarrowBand IoT [ 40 ] und LTE-M [ 41 ] können über Mobilfunktechnologie bis zu Millionen von Sensoren und Geräten verbinden.

Software

Energie ist die knappste Ressource von WSN-Knoten und bestimmt deren Lebensdauer. WSNs können in großer Zahl in verschiedenen Umgebungen eingesetzt werden, darunter auch in abgelegenen und unwirtlichen Gebieten, wo Ad-hoc-Kommunikation eine Schlüsselkomponente darstellt. Aus diesem Grund müssen Algorithmen und Protokolle die folgenden Aspekte berücksichtigen:

  • Erhöhte Lebensspanne [ 42 ]
  • Robustheit und Fehlertoleranz [ 43 ]
  • Selbstkonfiguration [ 44 ]

Maximierung der Lebensdauer: Der Energie-/Leistungsverbrauch des Sensors sollte minimiert werden, und die Sensorknoten sollten energieeffizient sein, da ihre begrenzte Energiereserve ihre Lebensdauer bestimmt. Um Energie zu sparen, schalten drahtlose Sensorknoten normalerweise sowohl den Funksender als auch den Funkempfänger ab, wenn sie nicht verwendet werden. [ 34 ]

Routing-Protokolle

Drahtlose Sensornetzwerke bestehen aus energiearmen, kleinen und wenig erreichbaren, unbeaufsichtigten Sensorknoten. Jüngste Beobachtungen zeigen, dass sich die aktive Zeit und damit die Lebensdauer des Netzwerks deutlich reduzieren lässt, indem die Sensor- und Kommunikationsfunktionen der Sensorknoten periodisch ein- und ausgeschaltet werden. [ 45 ] [ 46 ] Dieses Duty-Cycling kann jedoch aufgrund asynchroner Schlaf- und Aufwachphasen zu hoher Netzwerklatenz, Routing-Overhead und Verzögerungen bei der Nachbarerkennung führen. Diese Einschränkungen erfordern Gegenmaßnahmen für Duty-Cycling-basierte drahtlose Sensornetzwerke, die Routing-Informationen, Routing-Verkehrslast und Energieverbrauch minimieren. Forscher der Sungkyunkwan University haben ein ressourcenschonendes Routing-Verfahren mit nicht-steigenden Übertragungslatenzintervallen (LNDIR) vorgeschlagen. Dieses Verfahren ermittelt Routen mit minimaler Latenz in jedem nicht-steigenden Übertragungslatenzintervall anstatt in jedem Zeitschlitz. Simulationsergebnisse belegen die Wirksamkeit dieses neuen Ansatzes hinsichtlich der Minimierung der in jedem Sensor gespeicherten Routing-Informationen. Darüber hinaus garantiert dieses neue Routing-Verfahren die minimale Übertragungslatenz von jeder Quelle zur Senke. Im Vergleich zu bestehenden Systemen werden Leistungsverbesserungen um das bis zu Zwölffache bzw. Elffache hinsichtlich der Reduzierung der Verkehrslast und der Energieeffizienz beobachtet. [ 47 ]

Betriebssysteme

Betriebssysteme für Knoten in drahtlosen Sensornetzwerken sind typischerweise weniger komplex als Allzweckbetriebssysteme. Sie ähneln eher eingebetteten Systemen , und zwar aus zwei Gründen: Erstens werden drahtlose Sensornetzwerke in der Regel für eine bestimmte Anwendung und nicht als allgemeine Plattform eingesetzt. Zweitens führt der Bedarf an niedrigen Kosten und geringem Stromverbrauch dazu, dass die meisten drahtlosen Sensorknoten mit stromsparenden Mikrocontrollern ausgestattet sind. Dadurch sind Mechanismen wie virtueller Speicher entweder unnötig oder zu teuer in der Implementierung.

Daher ist es möglich, eingebettete Betriebssysteme wie eCos oder uC/OS für Sensornetzwerke zu verwenden. Solche Betriebssysteme sind jedoch häufig auf Echtzeitfähigkeit ausgelegt.

TinyOS , entwickelt von David Culler , ist vermutlich das erste Betriebssystem, das speziell für drahtlose Sensornetzwerke konzipiert wurde. Es basiert auf einem ereignisgesteuerten Programmiermodell anstelle von Multithreading . TinyOS-Programme bestehen aus Ereignisbehandlern und Tasks mit vollständiger Ausführungssemantik. Tritt ein externes Ereignis auf, beispielsweise ein eingehendes Datenpaket oder ein Messwert eines Sensors, signalisiert TinyOS dem entsprechenden Ereignisbehandler, das Ereignis zu verarbeiten. Ereignisbehandler können Tasks starten, die vom TinyOS-Kernel zu einem späteren Zeitpunkt geplant werden.

LiteOS ist ein neu entwickeltes Betriebssystem für drahtlose Sensornetzwerke, das eine UNIX-ähnliche Abstraktion und Unterstützung für die Programmiersprache C bietet.

Contiki , entwickelt von Adam Dunkels , ist ein Betriebssystem, das einen einfacheren Programmierstil in C verwendet und gleichzeitig Fortschritte wie 6LoWPAN und Protothreads bietet .

RIOT (Betriebssystem) ist ein neueres Echtzeit-Betriebssystem mit ähnlicher Funktionalität wie Contiki.

PreonVM [ 48 ] ist ein Betriebssystem für drahtlose Sensornetzwerke, das 6LoWPAN auf Basis von Contiki und Unterstützung für die Programmiersprache Java bietet.

Online-Plattformen für die kollaborative Verwaltung von Sensordaten

Online-Plattformen für die kollaborative Verwaltung von Sensordaten sind Datenbankdienste, die es Sensorbesitzern ermöglichen, ihre Geräte zu registrieren und anzuschließen, um Daten in einer Online-Datenbank zu speichern. Entwickler können sich ebenfalls mit der Datenbank verbinden und eigene Anwendungen auf Basis dieser Daten erstellen. Beispiele hierfür sind Xively und die Wikisensing-Plattform (archiviert am 09.06.2021 in der Wayback Machine) . Solche Plattformen vereinfachen die Online-Zusammenarbeit von Nutzern mit unterschiedlichsten Datensätzen, von Energie- und Umweltdaten bis hin zu Daten aus dem Transportwesen. Weitere Funktionen umfassen die Einbettung von Echtzeitdiagrammen und -Widgets in Websites, die Analyse und Verarbeitung historischer Daten aus den Datenfeeds sowie das Senden von Echtzeitwarnungen aus beliebigen Datenströmen zur Steuerung von Skripten, Geräten und Umgebungen.

Die Architektur des Wikisensing-Systems [ 49 ] beschreibt die wichtigsten Komponenten solcher Systeme, darunter APIs und Schnittstellen für Online-Mitarbeiter, eine Middleware mit der für die Verwaltung und Verarbeitung der Sensordaten erforderlichen Geschäftslogik sowie ein Speichermodell, das für die effiziente Speicherung und den Abruf großer Datenmengen geeignet ist.

Simulation

Derzeit ist die agentenbasierte Modellierung und Simulation das einzige Paradigma, das die Simulation komplexen Verhaltens in Umgebungen drahtloser Sensoren (wie z. B. Schwarmverhalten ) ermöglicht. [ 50 ] Die agentenbasierte Simulation drahtloser Sensor- und Ad-hoc-Netzwerke ist ein relativ neues Paradigma. Ursprünglich basierte die agentenbasierte Modellierung auf sozialer Simulation.

Netzwerksimulatoren wie Opnet, Tetcos NetSim und NS können zur Simulation eines drahtlosen Sensornetzwerks verwendet werden.

Andere Konzepte

Lokalisierung

Netzwerklokalisierung bezeichnet das Problem der Positionsbestimmung drahtloser Sensorknoten während des Einsatzes und in dynamischen Umgebungen. Bei Sensoren mit extrem niedrigem Stromverbrauch schließen Größe, Kosten und Umgebungsbedingungen den Einsatz von GPS-Empfängern aus. Im Jahr 2000 motivierten und schlugen Nirupama Bulusu, John Heidemann und Deborah Estrin erstmals ein auf Funkverbindungen basierendes System zur Lokalisierung drahtloser Sensornetzwerke vor. [ 51 ] In der Folge wurden solche Lokalisierungssysteme als reichweitenfreie Lokalisierungssysteme bezeichnet, und es wurden zahlreiche weitere Lokalisierungssysteme für drahtlose Sensornetzwerke entwickelt, darunter AHLoS, APS und Stardust.

Sensordatenkalibrierung und Fehlertoleranz

Sensoren und Geräte in drahtlosen Sensornetzwerken entsprechen modernster Technologie und sind so kostengünstig wie möglich. Die von diesen Geräten gelieferten Messwerte sind daher oft verrauscht, unvollständig und ungenau. Forscher, die drahtlose Sensornetzwerke untersuchen, vermuten, dass sich aus Hunderten unzuverlässiger, über ein Untersuchungsgebiet verteilter Messungen deutlich mehr Informationen gewinnen lassen als aus einer kleineren Anzahl hochwertiger, zuverlässiger Instrumente mit denselben Gesamtkosten.

Makroprogrammierung

Der Begriff Makroprogrammierung wurde von Matt Welsh geprägt. [ 52 ] Er bezeichnet die Programmierung des gesamten Sensornetzwerks als Ensemble anstatt einzelner Sensorknoten. Eine andere Möglichkeit der Makroprogrammierung eines Netzwerks besteht darin, das Sensornetzwerk als Datenbank zu betrachten. Bekannt wurde dieser Ansatz durch das von Sam Madden entwickelte TinyDB-System .

Umprogrammierung

Die Neuprogrammierung ist der Prozess der Aktualisierung des Codes auf den Sensorknoten. Die praktikabelste Form der Neuprogrammierung ist die Fernprogrammierung, bei der der Code drahtlos verteilt wird, während die Knoten im Einsatz sind. Es existieren verschiedene Neuprogrammierungsprotokolle, die sich hinsichtlich Geschwindigkeit, Zuverlässigkeit, Energieverbrauch, benötigtem Code auf den Knoten, Eignung für verschiedene Funkumgebungen, Widerstandsfähigkeit gegen DoS-Angriffe usw. unterscheiden. Gängige Neuprogrammierungsprotokolle sind Deluge (2004), Trickle (2004), MNP (2005), Synapse (2008) und Zephyr (2009).

Sicherheit

Die infrastrukturlose Architektur (d. h. ohne Gateways etc.) und die inhärenten Anforderungen (z. B. unbeaufsichtigter Betrieb) von WSNs können Schwachstellen aufweisen, die Angreifer anlocken. Daher ist die Sicherheit ein zentrales Anliegen, wenn WSNs für spezielle Anwendungen wie Militär und Gesundheitswesen eingesetzt werden. Aufgrund ihrer besonderen Eigenschaften sind herkömmliche Sicherheitsmethoden für Computernetzwerke bei WSNs nutzlos (oder weniger effektiv). Fehlende Sicherheitsmechanismen führen somit zu Angriffen auf diese Netzwerke. Diese Angriffe müssen erkannt und Gegenmaßnahmen ergriffen werden.

Im Bereich der Absicherung drahtloser Sensornetzwerke wurden wichtige Innovationen erzielt. Die meisten drahtlosen eingebetteten Netzwerke verwenden omnidirektionale Antennen, wodurch benachbarte Geräte die ein- und ausgehende Kommunikation der Knoten mithören können. Dies wurde genutzt, um ein Verfahren namens „ Lokales Monitoring “ [ 53 ] zu entwickeln , das zur Erkennung komplexer Angriffe wie Blackhole- oder Wormhole-Angriffe eingesetzt wurde, welche den Durchsatz großer Netzwerke nahezu auf null reduzieren. Dieses Verfahren wird seither von zahlreichen Forschern und kommerziellen Anbietern von drahtlosen Paket-Sniffern verwendet. Es wurde anschließend für komplexere Angriffe, beispielsweise durch Kollusion, Mobilität und den Einsatz von Mehrantennen- und Mehrkanalgeräten, weiterentwickelt. [ 54 ]

Verteiltes Sensornetzwerk

Wird in einem Sensornetzwerk eine zentralisierte Architektur verwendet und der zentrale Knoten fällt aus, bricht das gesamte Netzwerk zusammen. Die Zuverlässigkeit des Sensornetzwerks lässt sich jedoch durch den Einsatz einer verteilten Steuerungsarchitektur erhöhen. Verteilte Steuerung wird in drahtlosen Sensornetzwerken aus folgenden Gründen verwendet:

  1. Sensorknoten sind ausfallgefährdet.
  2. Zur besseren Datenerfassung,
  3. Um den Knoten im Falle eines Ausfalls des zentralen Knotens eine Backup-Lösung bereitzustellen.

Es gibt auch keine zentrale Stelle, die die Ressourcen verteilt, daher müssen sie sich selbst organisieren.

Was die verteilte Filterung über verteilte Sensornetzwerke betrifft, so besteht der allgemeine Aufbau darin, den zugrunde liegenden Prozess durch eine Gruppe von Sensoren zu beobachten, die gemäß einer gegebenen Netzwerktopologie organisiert sind, wodurch der einzelne Beobachter den Systemzustand nicht nur auf der Grundlage seiner eigenen Messung, sondern auch auf der Grundlage der Messungen seiner Nachbarn schätzt. [ 55 ]

Datenintegration und Sensornetzwerk

Die von drahtlosen Sensornetzwerken erfassten Daten werden üblicherweise in numerischer Form in einer zentralen Basisstation gespeichert. Darüber hinaus spezifiziert das Open Geospatial Consortium (OGC) Standards für Interoperabilitätsschnittstellen und Metadatenkodierungen, die die Echtzeitintegration heterogener Sensornetzwerke in das Internet ermöglichen. Dadurch kann jeder drahtlose Sensornetzwerke über einen Webbrowser überwachen und steuern.

Verarbeitung innerhalb des Netzwerks

Um die Kommunikationskosten zu senken, entfernen oder reduzieren einige Algorithmen redundante Sensorinformationen von Knoten und vermeiden die Weiterleitung unnötiger Daten. Diese Technik wurde beispielsweise für die verteilte Anomalieerkennung [ 56 ] [ 57 ] [ 58 ] [ 59 ] oder die verteilte Optimierung [ 60 ] eingesetzt . Da Knoten die weitergeleiteten Daten überprüfen können, lassen sich beispielsweise Mittelwerte oder die Richtung der Messwerte anderer Knoten bestimmen. In Sensor- und Überwachungsanwendungen ist es beispielsweise üblich, dass benachbarte Sensorknoten, die ein Umweltmerkmal überwachen, ähnliche Werte erfassen. Diese Datenredundanz aufgrund der räumlichen Korrelation zwischen Sensorbeobachtungen inspiriert Techniken zur netzwerkinternen Datenaggregation und -analyse. Die Aggregation reduziert den Netzwerkverkehr und trägt somit zur Senkung des Energieverbrauchs der Sensorknoten bei. [ 61 ] [ 62 ] Kürzlich wurde festgestellt, dass Netzwerk-Gateways auch eine wichtige Rolle bei der Verbesserung der Energieeffizienz von Sensorknoten spielen, indem sie mehr Ressourcen für Knoten mit einem höheren Energieeffizienzbedarf bereitstellen. Um die Gesamtenergieeffizienz des Netzwerks zu verbessern, müssen fortschrittliche energieeffiziente Scheduling-Algorithmen auf Netzwerk-Gateways implementiert werden. [ 34 ] [ 63 ]

Sichere Datenaggregation

Dies ist eine Form der netzwerkinternen Datenverarbeitung, bei der die Sensorknoten als ungesichert und mit begrenzter Energieverfügbarkeit angenommen werden, während die Basisstation als sicher und mit unbegrenzter Energieverfügbarkeit gilt. Die Aggregation verschärft die bereits bestehenden Sicherheitsherausforderungen für drahtlose Sensornetzwerke [ 64 ] und erfordert neue, speziell auf diese Szenarien zugeschnittene Sicherheitstechniken. Die Gewährleistung der Sicherheit aggregierter Daten in drahtlosen Sensornetzwerken wird als sichere Datenaggregation in WSN bezeichnet . [ 62 ] , [ 64 ] und [ 65 ] waren die ersten Arbeiten, die Techniken für die sichere Datenaggregation in drahtlosen Sensornetzwerken diskutierten.

Zwei zentrale Sicherheitsherausforderungen bei der sicheren Datenaggregation sind die Vertraulichkeit und Integrität der Daten. Während Verschlüsselung traditionell zur Gewährleistung durchgängiger Vertraulichkeit in drahtlosen Sensornetzwerken eingesetzt wird, müssen die Aggregatoren in einem Szenario der sicheren Datenaggregation die verschlüsselten Daten entschlüsseln, um die Aggregation durchzuführen. Dadurch wird der Klartext bei den Aggregatoren offengelegt, wodurch die Daten anfällig für Angriffe werden. Ebenso kann ein Aggregator falsche Daten in das Aggregat einspeisen und die Basisstation dazu veranlassen, diese falschen Daten zu akzeptieren. Somit verbessert die Datenaggregation zwar die Energieeffizienz eines Netzwerks, verschärft aber gleichzeitig die bestehenden Sicherheitsherausforderungen. [ 66 ]

Siehe auch

Referenzen

  1. ^ Ullo, Silvia Liberata; Sinha, GR (31.05.2020). „Fortschritte bei intelligenten Umweltüberwachungssystemen mithilfe von IoT und Sensoren“ . Sensors . 20 ( 11): 3113. Bibcode : 2020Senso..20.3113U . doi : 10.3390/s20113113 . ISSN  1424-8220 . PMC  7309034. PMID  32486411 .
  2. ^ Francesco Mario, Di; K, Das Sajal; Anastasi Giuseppe (2011-08-01). „Datenerfassung in drahtlosen Sensornetzwerken mit mobilen Elementen“. ACM Transactions on Sensor Networks . 8 : 1–31 . doi : 10.1145/1993042.1993049 . S2CID 15576441 . 
  3. Xia , Feng; Tian, ​​Yu-Chu; Li, Yanjun; Sun, Youxian (09.10.2007). „Entwurf drahtloser Sensor-/Aktornetzwerke für mobile Steuerungsanwendungen“ . Sensors . 7 ( 10): 2157–2173 . Bibcode : 2007Senso...7.2157X . doi : 10.3390/s7102157 . ISSN 1424-8220 . PMC 3864515. PMID 28903220 .   
  4. ^ „Drahtlose Sensornetzwerke zur Gefechtsfeldüberwachung“ (PDF) . 2006.
  5. ^ Global, IGI „Drahtlose Sensornetzwerke haben Potenzial im Gesundheitswesen und in der Landwirtschaft, sagt eine Studie“ . techxplore.com . Abgerufen am 9. Februar 2023 .
  6. ^ Dargie, W.; Poellabauer, C. (2010). Grundlagen drahtloser Sensornetzwerke: Theorie und Praxis . John Wiley and Sons. S.  168–183 , 191–192 . ISBN 978-0-470-99765-9Die
  7. ^ Sohraby, K.; Minoli, D.; Znati, T. (2007). Drahtlose Sensornetzwerke: Technologie, Protokolle und Anwendungen . John Wiley and Sons. S.  203–209 . ISBN 978-0-471-74300-2Die
  8. ^ Oliveira, João; Goes, João (2012). Parametrische analoge Signalverstärkung in CMOS-Nanotechnologien . Springer Science & Business Media . S. 7. ISBN 978-1-4614-1670-8Die
  9. ^ Peiris, V. (2013). „Hochintegrierte drahtlose Sensorik für Körpernetzwerkanwendungen“. SPIE Newsroom . doi : 10.1117/2.1201312.005120 .
  10. ^ Tony O'Donovan; John O'Donoghue; Cormac Sreenan; David Sammon; Philip O'Reilly; Kieran A. O'Connor (2009). Ein kontextsensitives drahtloses Körpernetzwerk (BAN) (PDF) . Pervasive Computing Technologies for Healthcare, 2009. doi : 10.4108/ICST.PERVASIVEHEALTH2009.5987 . Archiviert (PDF) vom Original am 09.10.2016.
  11. ^ Bilal, Muhammad; et al. (2017). „Ein Authentifizierungsprotokoll für zukünftige Sensornetzwerke“ . Sensors . 17 (5): 979. arXiv : 1705.00764 . Bibcode : 2017Senso..17..979B . doi : 10.3390/s17050979 . PMC 5464775. PMID 28452937 .  
  12. ^ Oppermann, Felix Jonathan; Boano, Carlo Alberto; Römer, Kay (2014). „Ein Jahrzehnt drahtloser Sensoranwendungen: Überblick und Taxonomie“ . Die Kunst drahtloser Sensornetzwerke: Band 1: Grundlagen . Springer. S.  11–50 . doi : 10.1007/978-3-642-40009-4_2 . ISBN 978-3-642-40009-4Die
  13. ^ J. K. Hart und K. Martinez, „Umweltsensornetzwerke: Eine Revolution in der Erdsystemwissenschaft?“, Earth-Science Reviews, 2006 (PDF) . Archiviert vom Original (PDF) am 23. November 2015.
  14. ^ Apte, JS; Messier, KP; Gani, S.; Brauer, M.; Kirchstetter, TW; Lunden, MM; Marshall, JD; Portier, CJ; Vermeulen, RCH; Hamburg, SP (2017). „Hochauflösende Kartierung der Luftverschmutzung mit Google Street View-Fahrzeugen: Nutzung von Big Data“ . Environmental Science and Technology . 51 (12): 6999–7008 . Bibcode : 2017EnST...51.6999A . doi : 10.1021/acs.est.7b00891 . PMID 28578585 . 
  15. ^ „Breathe London“ . Breathe London . Abgerufen am 27. April 2021 .
  16. Feinberg , S.; Williams, R.; Hagler, GSW; Rickard, J.; Garver, D.; Harshfield, G.; Stauffer, P.; Mattson, E.; Judge, R.; Garvey, S. (2018). Langzeitbewertung von Luftsensortechnologie unter Umgebungsbedingungen in Denver, Colorado . Atmospheric Measurement Techniques . 11 (8): 4605–4615 . Bibcode : 2018AMT....11.4605F . doi : 10.5194/amt-11-4605-2018 . PMC 6781239. PMID 31595175 .  
  17. ^ Balzano, L.; Nowak, R. (2008). „Blinde Kalibrierung von Sensornetzwerken: Theorie und Algorithmen“. Networked Sensing Information and Control . S.  9–37 . doi : 10.1007/978-0-387-68845-9_1 . ISBN 978-0-387-68843-5Die
  18. Sauce , O.; Hasenfratz, D.; Thiele, L. (2015). „Reduzierung von Kalibrierungsfehlern bei mehreren Hops in großflächigen mobilen Sensornetzwerken“. Proceedings der 14. Internationalen Konferenz über Informationsverarbeitung in Sensornetzwerken . S.  274–285 . doi : 10.1145/2737095.2737113 . ISBN 978-1-4503-3475-4. S2CID  15171166 .
  19. ^ Spie (2013). „Vassili Karanassios: Energiegewinnung zur Stromversorgung von Fernsensoren“. SPIE Newsroom . doi : 10.1117/2.3201305.05 .
  20. ^ Tiwari, Ankit; et al. (2007). „Energieeffizientes Design und Implementierung drahtloser Sensornetzwerke für die zustandsorientierte Wartung“. ACM Transactions on Sensor Networks . 3 : 1–es. CiteSeerX 10.1.1.188.8180 . doi : 10.1145/1210669.1210670 . S2CID 7278286 .  
  21. ^ K. Saleem; N. Fisal & J. Al-Muhtadi (2014). „Empirische Studien eines bioinspirierten, selbstorganisierten, sicheren autonomen Routing-Protokolls“. IEEE Sensors Journal . 14 (7): 1–8 . Bibcode : 2014ISenJ..14.2232S . doi : 10.1109/JSEN.2014.2308725 . S2CID 27135727 . 
  22. ^ Anastasi, G.; Farruggia, O.; Lo Re, G.; Ortolani, M. (2009). „Überwachung der Produktion hochwertiger Weine mithilfe drahtloser Sensornetzwerke“. 42. Hawaii International Conference on System Sciences 2009. S.  1–7 . doi : 10.1109/HICSS.2009.313 . ISBN 978-0-7695-3450-3Die
  23. ^ „Eine nationale Strategie gegen Terrorismus mit Massenvernichtungswaffen“ . str.llnl.gov . Science & Technology Review. Archiviert vom Original am 2. Mai 2017. Abgerufen am 26. Februar 2019 .
  24. ^ a b „Seit 1945 für eine sicherere Welt im Einsatz“ . fas.org . Federation of American Scientists. Archiviert vom Original am 16.03.2016 . Abgerufen am 26.02.2019 .
  25. ^ a b c d Hills, Rob. „Sensing for Danger“ . str.llnl.gov . Science & Technology Review. Archiviert vom Original am 2. Mai 2017. Abgerufen am 26. Februar 2019 .
  26. ^ „US/Russische nationale Sicherheitsinteressen“ . commdocs.house.gov . Repräsentantenhaus der USA . Abgerufen am 26. Februar 2019 .
  27. ^ Aguilar, Mónica (2020). „INRISCO: Incident Monitoring in Smart COMmunities“ . IEEE-Zugriff . 8 : 72435–72460 . arXiv : 2312.07787 . Bibcode : 2020IEEEA...872435I . doi : 10.1109/ACCESS.2020.2987483 . HDL : 2117/328871 . S2CID 218468946 . 
  28. ^ Pastor, Adolfo (2020). „Implementierung psychoakustischer Belästigung mittels drahtloser akustischer Sensornetzwerke zur Überwachung in Smart Cities“. IEEE Internet of Things Journal . 7 (1): 128–136 . Bibcode : 2020IITJ....7..128P . doi : 10.1109/JIOT.2019.2946971 . hdl : 10550/106322 . S2CID : 208111073 . 
  29. ^ Lloret, Jaime (2009). „Einsatz eines drahtlosen Sensornetzwerks zur Erkennung und Verifizierung von Bränden in ländlichen Gebieten und Wäldern“ . Sensors . 9 ( 11): 8722–8747 . Bibcode : 2009Senso...9.8722L . doi : 10.3390/ s91108722 . PMC 3260610. PMID 22291533. S2CID 13104461 .   
  30. ^ Liz Young (8. Juni 2022). „Israelisches Technologieunternehmen bringt Ortungsgeräte in der Größe von Briefmarken auf den Markt“ . Wall Street Journal . Abgerufen am 8. Juli 2022 .
  31. ^ „ReVibe Energy – Energieversorgung für das industrielle IoT“ . revibeenergy.com . Archiviert vom Original am 22. September 2017. Abgerufen am 3. Mai 2018 .
  32. ^ „WELTWEIT FÜHREND BEI VIBRATIONSANLAGEN-BETRIEBTEN DRAHTLOSE SENSORSYSTEMEN“ . WELTWEIT FÜHREND BEI VIBRATIONSANLAGEN-BETRIEBTEN DRAHTLOSE SENSORSYSTEMEN . Archiviert vom Original am 13. April 2018. Abgerufen am 3. Mai 2018 .
  33. ^ Saleem, Kashif; Fisal, Norsheila; Hafiza, Sharifah; Kamilah, Sharifah; Rashid, Rozeha; Baguda, Yakubu (2009). „Schichtenübergreifendes, biologisch inspiriertes, selbstorganisiertes Routing-Protokoll für drahtlose Sensornetzwerke“. TENCON 2009–2009 IEEE Region 10-Konferenz . S.  1–6 . doi : 10.1109/TENCON.2009.5395945 . ISBN 978-1-4244-4546-2S2CID  30236796 .​
  34. ^ a b c d e Guowang Miao ; Jens Zander; Ki Won Sung; Ben Slimane (2016). Grundlagen mobiler Datennetze . Cambridge University Press . ISBN 978-1-107-14321-0Die
  35. ^ Aghdam, Shahin Mahdizadeh; Khansari, Mohammad; Rabiee, Hamid R; Salehi, Mostafa (2014). „WCCP: Ein Protokoll zur Staukontrolle für drahtlose Multimedia-Kommunikation in Sensornetzwerken“. Ad Hoc Networks . 13 : 516–534 . doi : 10.1016/j.adhoc.2013.10.006 .
  36. ^ Magno, M.; Boyle, D.; Brunelli, D.; O'Flynn, B.; Popovici, E.; Benini, L. (2014). „Erweiterte drahtlose Überwachung durch intelligente hybride Energieversorgung“. IEEE Transactions on Industrial Electronics . 61 (4): 1871. Bibcode : 2014ITIE...61.1871M . doi : 10.1109/TIE.2013.2267694 . S2CID 23562384 . 
  37. ^ Xenakis, A.; Foukalas, F.; Stamoulis, G. (2016). „Cross-layer energy-aware topology control through Simulated Annealing for WSNs“ . Computers & Electrical Engineering . 56 : 576–590 . doi : 10.1016/j.compeleceng.2016.02.015 .
  38. ^ „LoRa Alliance“ . Archiviert vom Original am 09.11.2017.
  39. ^ „Wi-Sun Alliance“ . 15.08.2018. Archiviert vom Original am 09.11.2017.
  40. ^ „NB-IoT vs. LoRa vs. Sigfox, LINKLabs, Januar 2017“ . Archiviert vom Original am 10.11.2017.
  41. ^ „Was ist LTE-M?“ . Archiviert vom Original am 09.11.2017.
  42. ^ Janakiram, Kottnana; Reginald, P. Joshua (23.02.2023). „Verlängerung der Lebensdauer drahtloser Sensornetzwerke mithilfe graphentheoretischer Ansätze“. 7. Internationale Konferenz über Computermethoden und Kommunikation (ICCMC) 2023. Erode, Indien: IEEE. S.  993–997 . doi : 10.1109/ICCMC56507.2023.10084135 . ISBN 978-1-6654-6408-6S2CID  257959382 .​
  43. ^ Lyakhov, PA; Kalita, DI (03.05.2023). „Zuverlässige Kalman-Filterung mit bedingt lokalen Berechnungen in drahtlosen Sensornetzwerken“ . Automatic Control and Computer Sciences . 57 (2): 154–166 . doi : 10.3103/S0146411623020062 . ISSN 0146-4116 . S2CID 258465232 .  
  44. ^ Shi, Junyang; Sha, Mo (17.06.2019). „Parameter Self-Configuration and Self-Adaptation in Industrial Wireless Sensor-Actuator Networks“. IEEE INFOCOM 2019 – IEEE Conference on Computer Communications . Paris, Frankreich: IEEE. S.  658–666 . doi : 10.1109/INFOCOM.2019.8737467 . ISBN 978-1-7281-0515-4. S2CID  86721016 .
  45. Xenakis , A.; Foukalas, F.; Stamoulis, G. (Oktober 2015). „Minimum weighted clustering algorithm for wireless sensor networks“. Proceedings of the 19th Panhellenic Conference on Informatics . S.  255–260 . doi : 10.1145/2801948.2801999 . ISBN 978-1-4503-3551-5S2CID  9188571 .​
  46. Hassan , TAH; Selim, G.; Sadek, R. (2015). „Ein neuartiges energieeffizientes Routing-Protokoll für Clusterköpfe in drahtlosen Sensornetzwerken“. 2015 IEEE Seventh International Conference on Intelligent Computing and Information Systems (ICICIS) . Kairo: IEEE. S.  313–320 . doi : 10.1109/IntelCIS.2015.7397240 . ISBN 978-1-5090-1949-6. S2CID  10688614 .
  47. ^ K Shahzad, Muhammad; Nguyen, Dang Tu; Zalyubovskiy, Vyacheslav; Choo, Hyunseung (2018). „LNDIR: Ein ressourcenschonendes Routingverfahren mit nicht-zunehmender Übertragungslatenz für Sensornetzwerke mit zyklischer Auslastung“ . International Journal of Distributed Sensor Networks . 14 (4) 1550147718767605. doi : 10.1177/1550147718767605 .Das Material wurde aus dieser Quelle kopiert, die unter einer Creative Commons Attribution 4.0 International License verfügbar ist .
  48. ^ „PreonVM – Virtuelle Maschine für drahtlose Sensorgeräte“ . Archiviert vom Original am 11.11.2017.
  49. ^ Silva, D.; Ghanem, M.; Guo, Y. (2012). „WikiSensing: Ein kollaborativer Online-Ansatz für das Sensordatenmanagement“ . Sensors . 12 (10): 13295–332 . Bibcode : 2012Senso..1213295S . doi : 10.3390/s121013295 . PMC 3545568. PMID 23201997 .  
  50. ^ Niazi, Muaz; Hussain, Amir (2011). „ Ein neuartiges agentenbasiertes Simulationsframework für die Sensorik in komplexen adaptiven Umgebungen“ (PDF) . IEEE Sensors Journal . 11 (2): 404–412 . arXiv : 1708.05875 . Bibcode : 2011ISenJ..11..404N . doi : 10.1109/jsen.2010.2068044 . hdl : 1893/3398 . S2CID 15367419. Archiviert vom Original (PDF) am 25.07.2011. 
  51. ^ Bulusu, Nirupama; Heidemann, John; Estrin, Deborah (2000). „GPS-lose, kostengünstige Outdoor-Lokalisierung für sehr kleine Geräte“. IEEE Personal Communications . 7 (5). IEEE Personal Communications, Oktober 2000: 28–34 . doi : 10.1109/98.878533 . S2CID 771769 . 
  52. ^ Matt Welsh; Geoff Mainland. „Programmierung von Sensornetzwerken mithilfe abstrakter Regionen“ (PDF) . Harvard University.
  53. ^ Khalil, Issa; Bagchi Saurabh; Shroff, NB (2005). „LITEWORP: Eine ressourcenschonende Gegenmaßnahme gegen Wurmlochangriffe in drahtlosen Mehrhop-Netzwerken“ . 2005 International Conference on Dependable Systems and Networks (DSN’05) . S.  612–621 . doi : 10.1109/DSN.2005.58 . ISBN 0-7695-2282-3. S2CID  2018708 .
  54. ^ Mitchell, Robert; Chen, Ing-Ray (2014-04-01). „Eine Übersicht zur Angriffserkennung in drahtlosen Netzwerkanwendungen“ . Computer Communications . 42 : 1–23 . doi : 10.1016/j.comcom.2014.01.012 . ISSN 0140-3664 . 
  55. ^ Li, Wangyan; Wang, Zidong; Wei, Guoliang; Ma, Lifeng; Hu, Jun; Ding, Derui (2015). „Eine Übersicht über Multisensorfusion und Konsensfilterung für Sensornetzwerke“ . Discrete Dynamics in Nature and Society . 2015 : 1–12 . doi : 10.1155/2015/683701 . hdl : 1959.3/453203 . ISSN 1026-0226 . 
  56. ^ Bosman, HHWJ; Iacca, G; Tejada, A.; Wörtche, HJ; Liotta, A. (2015-12-01). „Ensembles of incremental learners to detect anomalies in ad hoc sensor networks“. Ad Hoc Networks . Sonderausgabe zu Big Data Inspired Data Sensing, Processing and Networking Technologies. 35 : 14–36 . doi : 10.1016/j.adhoc.2015.07.013 . hdl : 11572/196409 . ISSN 1570-8705 . 
  57. ^ Bosman, HHWJ; Liotta, A.; Iacca, G.; Wörtche, HJ (Oktober 2013). „Anomalieerkennung in Sensorsystemen mittels ressourcenschonendem maschinellem Lernen“. 2013 IEEE International Conference on Systems, Man, and Cybernetics . S.  7–13 . doi : 10.1109/SMC.2013.9 . ISBN 978-1-4799-0652-9. S2CID  6434158 .
  58. ^ Bosman, HHWJ; Liotta, A.; Iacca, G.; Wörtche, HJ (Dezember 2013). „Online Extreme Learning on Fixed-Point Sensor Networks“. 2013 IEEE 13th International Conference on Data Mining Workshops . S.  319–326 . doi : 10.1109/ICDMW.2013.74 . hdl : 11572/196432 . ISBN 978-1-4799-3142-2. S2CID  6460187 .
  59. ^ Bosman, HHWJ; Iacca, G.; Wörtche, HJ; Liotta, A. (Dezember 2014). „Online Fusion of Incremental Learning for Wireless Sensor Networks“. 2014 IEEE International Conference on Data Mining Workshop . S.  525–532 . doi : 10.1109/ICDMW.2014.79 . hdl : 10545/622629 . ISBN 978-1-4799-4274-9. S2CID  14029568 .
  60. ^ Iacca, G. (2018). „Verteilte Optimierung in drahtlosen Sensornetzwerken: ein Inselmodell-Framework“. Soft Computing . 17 (12): 2257–2277 . arXiv : 1810.02679 . Bibcode : 2018arXiv181002679I . doi : 10.1007/s00500-013-1091-x . ISSN 1433-7479 . S2CID 33273544 .  
  61. ^ Bosman, HHWJ; Iacca, G.; Tejada, A.; Wörtche, HJ; Liotta, A. (2017-01-01). „Räumliche Anomalieerkennung in Sensornetzwerken mithilfe von Nachbarschaftsinformationen“ . Information Fusion . 33 : 41–56 . doi : 10.1016/j.inffus.2016.04.007 . hdl : 11572/196405 . ISSN 1566-2535 . 
  62. Cam , H., Ozdemir, S. , Nair, P. , Muthuavinashiappan, D. (Oktober 2003). „ESPDA: Energieeffiziente und sichere musterbasierte Datenaggregation für drahtlose Sensornetzwerke“. Proceedings of IEEE Sensors 2003 (IEEE Kat.-Nr. 03CH37498) . Bd. 2, S.  732–736 . CiteSeerX 10.1.1.1.6961 . doi : 10.1109/icsens.2003.1279038 . ISBN  978-0-7803-8133-9S2CID  15686293 .​{{cite book}}: CS1 Wartung: Mehrere Namen: Autorenliste ( Link )
  63. ^ Rowayda, A. Sadek (Mai 2018). „Hybrides energiebewusstes Clusterprotokoll für heterogene IoT-Netzwerke“ . Future Computing and Informatics Journal . 3 (2): 166–177 . doi : 10.1016/j.fcij.2018.02.003 .
  64. ^ a b Hu, Lingxuan; David Evans (Januar 2003). „Sichere Aggregation für drahtlose Netzwerke“. Workshop über Sicherheit und Gewährleistung in Ad-hoc-Netzwerken .
  65. ^ Przydatek, Bartosz; Dawn Song; Adrian Perrig (2003). „SIA: Sichere Informationsaggregation in Sensornetzwerken“. Proceedings der 1. internationalen Konferenz über eingebettete vernetzte Sensorsysteme . S.  255–265 . doi : 10.1145/958491.958521 . ISBN 978-1-58113-707-1. S2CID  239370 .
  66. ^ Kumar, Vimal; Sanjay K. Madria (August 2012). „Sichere hierarchische Datenaggregation in drahtlosen Sensornetzwerken: Leistungsbewertung und -analyse“. 2012 IEEE 13th International Conference on Mobile Data Management . S.  196–201 . doi : 10.1109/MDM.2012.49 . ISBN 978-1-4673-1796-2. S2CID  2990744 .

Weiterführende Literatur

  • Amir Hozhabri; Mohammadreza Eslaminejad; Mitra Mahrouyan, Kettenbasiertes Gateway-Knoten-Routing zur Steigerung der Energieeffizienz in WSN
  • Kiran Maraiya, Kamal Kant, Nitin Gupta „Drahtloses Sensornetzwerk: Ein Überblick über die Datenaggregation“ International Journal of Scientific & Engineering Research Band 2 Ausgabe 4, April 2011.
  • Chalermek Intanagonwiwat, Deborah Estrin, Ramesh Govindan, John Heidemann, " Impact of Network Density on Data Aggregation in Wireless SensorNetworks ", 4. November 2001.
  • Bulusu, Nirupama; Jha, Sanjay (2005). Drahtlose Sensornetzwerke: Eine systemische Perspektive . Artech House. ISBN 978-1-58053-867-1Die