前言
自主物联网网络协议设计综述
文章链接：https://doi.org/10.3390/ info12080292
时间：2021年7月22日
发表期刊：MDPI
关键词：物联网;自主计算;协议设计;自组织;自我优化;self-energy-awareness;自我保护
目录
一、摘要
本文综述了支持自主物联网的网络通信协议设计的最新研究进展。
二、文章内容
1.introduction
物联网存在的一些问题：
物联网系统由许多资源受限的节点组成，这些节点的能量、处理能力和内存有限。物联网网络也是异构的。在网络架构和节点使用的协议上可以有多样性。
网络拓扑和协议的选择可能因情况而异，以适应通信的条件和需要。某些类型的物联网设备也可能具有移动性。
物联网的一个主要问题是节点的能量限制。节点的运行应具有低能耗，包括通信操作。
物联网的研究和发展是在无线传感器网络(WSN)和移动自组网(MANET)的研究和发展的基础上发展起来的。
本文综述了支持自主物联网的网络通信协议设计的相关研究。
2.自主物联网
自主计算系统的核心是在系统中创造自我管理的能力，其目标是将人类从系统操作和管理的每个细节中解放出来。
自主计算系统应该拥有的四个属性：
自配置：系统执行新组件的自动配置，以便它能够根据定义的策略或规则加入系统。
自优化：系统不断地进行检查和寻找方法根据定义的参数改进其性能。
自愈性：系统总是检测到错误，并做出所需的动作，使其能够继续正常运行。
自我保护：系统具有对可能来自外部的攻击的自卫机制，以及对自我修复机制无法处理的错误的影响的自卫机制。
解决的问题：当面临资源约束、异构性、移动性或可伸缩性问题时，自组织属性将使网络保持运行。自适应特性将使网络能够适应由于资源约束、异构性或节点的移动性而引起的网络状况的变化。自优化属性将使网络能够针对资源约束、异构性、移动性和可伸缩性问题自动调整自身以获得最佳性能。这种自我保护属性必然会解决网络中的安全、隐私或信任问题。自我能量感知特性将为物联网节点寻求能量充足性。因此，它可以解决资源约束问题
物联网的特征：
物联网网络通常由大量节点作为端点组成，这些节点可以是传感器或执行器，网关或基站，以及互联网中的服务器或云平台。在大型网络中，这通常被分成几个集群，每个集群可以有一个节点作为集群头。
自主物联网的目标：需要一个具有自我意识的自主系统，然后能够在没有人为干预的情况下进行自我管理。
这些属性之间是相互关联的：实现自组织网络需要自配置和自修复。实现自优化需要自适应。协议设计的能耗降低和能量收集意识支持了自能量感知特性。
3.协议的设计
自主物联网方面的改进：改进的结果通常是在能源效率、网络生命周期以及网络QoS参数(如数据包传送率、延迟和吞吐量)方面。协议的设计对象也各不相同，包括MAC层、网络层的集群和路由、跨层。
MAC层协议设计
大多数与WSN、MANET和IoT中MAC层协议设计相关的研究都是为了从通信协议中获得最大的节能。这是因为MAC协议控制无线电模块的操作，无线电模块通常在节点中花费大部分能量。MAC层的节能可以通过定时翻转射频模块的占空比调整来实现。
能量收集协议：
OD-MAC：
Fafoutis和Dragoni在[9]中提出了针对多跳能量收集wsn的按需MAC (OD-MAC)协议，其目标是每个节点可以通过调整无线电模块的占空比来单独调整能量消耗，以实现数据通信的最大性能。在OD-MAC协议中，准备好接收和转发数据的节点将向范围内的所有节点发送信标包，以表明其准备就绪。发送节点在开始数据传输之前应该等待信标。为了减少信标等待时间过长造成的能量浪费和端到端时延，OD-MAC采用机会转发机制。在这种机制中，将存储前一时期的信标发送者列表，并与由路由协议确定的潜在转发节点列表进行比较。这种机制机会性地将数据传输到前一时期信标发送者列表中的最早的潜在转发者，希望该节点能够将数据转发到目标位置。
EH-MAC：
Eu and Tan提出的Energy Harvesting MAC（EH-MAC）协议是为多跳能量收集无线传感器网络（WSNs）设计的。该协议旨在实现数据传输活动中节点之间的平等和公平性。EH-MAC采用了概率轮询的概念。节点可以发送一个小的轮询数据包，将收到其他想要传输数据的网络节点的响应。被允许进行轮询或做出响应的节点是那些由于能量收集活动而已经具有足够能量的节点。其他没有足够能量的节点将处于充电状态，并且在具有足够能量之前不会参与轮询。
在进行轮询之前，节点会检测网络条件是否空闲。轮询在空闲条件下进行，通过分配一个概率数字并将其发送到网络中的所有节点，这些节点还具有随机生成的比较概率数字。如果轮询号较高，节点将不会响应。如果轮询号较低，节点将发送响应并开始发送数据。期望只有一个节点会响应。如果对轮询号没有响应，将发出新的较低轮询号。否则，如果有多个响应，将导致数据冲突，下一轮中轮询号应该增加。
QAEE-MAC：
Kim等人在2010年提出了用于能量收集WSNs的QoS-Aware Energy Efficient MAC (QAEE-MAC)协议。该协议旨在提供一种机制，使紧急数据包的数据传输速度比普通数据包更快。该机制基于载波感知多址(CSMA)。
ERI-MAC（多跳能量收集）：
Nguyen等人在[12]中提出了用于多跳能量收集无线传感器网络（WSNs）的Receiver Initiated Energy Harvesting MAC（ERI-MAC）协议。该协议实施了数据包的合并方案和排队模型，以调整节点的占空比，以实现ENO条件。ERI-MAC的数据发送策略类似于OD-MAC的策略。当节点处于唤醒状态并且没有计划发送的数据包时，节点将传输一个包含其ID的信标包，以宣告其准备接受数据传输或转发。当等待的发送节点接收到信标时，数据包将以先进先出（FIFO）的方式发送到队列系统。将发送确认包以确认整个数据包已成功接收，这也将作为下一次交付准备的信标。能量消耗与能量获取的比率将定期计算。
S-MAC（从太阳能中收取能量的wsn）：
Tadayon等人在[13]中提出了基于Sensor MAC (SMAC)协议的能量管理协议，用于从太阳能进行能量收集的无线传感器网络（WSN）网络。
在SMAC中，节点周期性地进入休眠状态，以减少能量消耗。
唤醒状态和活动周期由MAC层的争用窗口决定。每个活动期分为两个阶段。第一阶段用于节点间的同步，第二阶段用于处理RTS/CTS争用。
在SMAC协议机制中，在竞争过程中被选为赢家的节点可以在活动周期结束后开始发送数据。所有其他节点都必须进入休眠状态，因为它们不是作为赢家管理的，或者它们经历了RTS碰撞。在所有发送的数据包都得到确认后，争用进程的赢家才会进入休眠状态。
RF-MAC（从无线电波收集能量的wsn）：
Nintanavongsa等人提出了射频MAC (RF-MAC)协议，用于从无线电波中收集能量的wsn。收集活动是通过放置一些能量发射器(ETs)来进行的，这些发射器将通过无线电波将能量传输到网络中的节点。这些et被分成两组，具有两种不同的频率。通过一个数学模型，他们已经证明，通过两个频率来传递能量，两组可以同时进行能量充电。RF-MAC为确定ET的数量、ET的位置和频率选择提供了一种方法，以便为网络中的节点提供最佳的能量充电。RF-MAC还定义了该能量收集活动所需的通信控制包。
S-LEARN MAC：
Hawa等人在2010年提出了认知无线网络(CRN)的S-LEARN MAC协议，该协议可应用于wsn。在该机制中，每个节点都制定一个调度计划来协调能量收集活动和数据传输活动。
聚类协议：
WSN和IoT网络往往具有庞大而复杂的拓扑结构。网络可能由大量节点组成。节点需要在从环境中传递信息或执行特定任务时相互协作。为了解决这个问题就去提出了网络集群的概念。网络集群是一种节约能源和延长网络寿命的方法。集群将一个大的网络转换成许多小的组，并使数据聚合成为可能，这样数据就不需要直接发送到遥远的节点。它在组中的一个点提前收集，这个点称为簇头(CH)。
目前最流行的网络聚类协议之一是由Heinzelman提出的低能量自适应聚类层次(LEACH)协议。LEACH是一种集群协议，它在集群中的节点之间随机旋转CH函数。期望将能量消耗均匀地分配到网络中的所有节点。但是这种LEACH方法也有缺点。CH对节点的随机选择意味着它不考虑节点上存在的条件，这些条件可能彼此不同。LEACH也是将数据从CH直接传输到基站的单跳，导致CH的能量消耗很高。
LEACH协议的主要思想是通过周期性地形成簇并选择新的簇头（cluster head），从而将网络中的节点分成簇。簇头负责接收和汇总从簇内节点收集到的数据，并将聚合后的数据传输给基站（sink node）。这有助于降低节点之间的直接通信，从而减少了整个网络的能耗。
对LEACH的改进:
LEACH-TLCH:
Fu等人在b[17]中提出了LEACH二级簇头(LEACH- tlch)协议来平衡能量消耗。每轮选出两名CHs。如果第一个CH能量不足或距离基站太远，可以用第二个CH代替。
LEACH-AEC:
Bajelan和Bakhshi在2010年提出了LEACH自适应能量消耗(LEACH- aec)协议，该协议在选择CH时使用了更全面的信息，即剩余能量、到基站的距离和CH之间的距离。这种协议能够更适合节点和网络条件。此外，该协议已经支持从CH到基站的多跳通信，以预测大型网络。
LEACH-EECHS：
Wang在[19]中提出了LEACH Energy Efficient Cluster Head Selection (LEACH- eechs)协议，该协议通过增加地理上靠近集群中心的节点的机会来改进CH选择方法。它考虑了节点的平均能耗和网络密度作为CH选择参数。
EE-LEACH：
Arumugam和Ponnuchamy在2010年提出了Energy Efficient LEACH (EE-LEACH)协议，该协议通过创建能耗模型然后计算CH候选和所有候选的簇内剩余能量来改进CH选择。（主要考虑能源消耗效率）
基于生物行为启发的聚类协议：
协议模仿生物的自组织行为，并启发式地进行自我修复和自我优化。
Digital Hormone Model：Sreedevi等人在b[21]中提出了数字激素模型(DHM)协议，该协议受到蜜蜂行为的启发。系统将根据从传感器本地获得的信息执行模型中的规则。这些信息主要以时空数据的形式存在。节点之间通过这种数字信息激素的交换进行通信，从而得到最优的聚类结果。
Flower Pollination Optimization Algorithm：
Sharawi等人在b[22]中提出了一种网络聚类的优化算法，称为花授粉优化算法(Flower Pollination optimization algorithm, FPOA)。该算法的灵感来自于昆虫在授粉过程中的运动，并将其作为网络聚类的模型。该算法以簇内距离作为输入参数。目的是利用包含簇内距离的目标函数实现全局优化。
Synchronous Firefly Algorithm：
[23]中的Baskaran和Sadagopan提出了一种网络聚类的优化算法，称为同步萤火虫算法(Synchronous Firefly algorithm, SFA)。这个算法的灵感来自萤火虫群体。该算法通过假设节点像萤火虫一样的框架来选择最佳CH。最好的萤火虫是通过比赛选出的。它允许萤火虫通过交叉和突变的机制繁殖。在计算中，目标函数由三个变量确定，即能耗、端到端时延和丢包率。
路由协议设计
由于WSN和IoT网络往往具有庞大而复杂的拓扑结构，因此多跳通信可以在数据传输方面提供优势。将数据从源发送到目的通常不能通过两个节点之间的直接通信完成，而应该由中间节点辅助。在这种情况下，需要适当的路由协议来安排从源到目的的最佳路径。
为了提高无线传感器网络和物联网网络的能量利用率和服务质量，研究了多种路由协议。这些路由协议应该是动态的，能够适应网络拓扑结构和节点位置的变化。
Multi Objective Dynamic Programming：
Valentini等人在b[25]中提出了多目标动态规划(MODP)来改进简单混合路由协议(SHRP)在选择通往sink的最佳路由方面的性能。简单混合路由协议(simple hybrid routing protocol, SHRP)是一种用于WSN的节能协议，它使用四个指标，即剩余能级、从源到汇聚的跳数、物理连接的质量和接收信号强度指示器(RSSI)。所提出的路由协议允许同时分析这四个度量并生成帕累托最优解。对子集解的每个成员应用多目标过程，结果越高越确定最优解。
Fixed-Tree-Relaxation and Iterative Distributed Algorithm（固定树松弛与迭代分布算法）：
Shah和Lozano在2010年提出了无线传感器网络的固定树松弛迭代分布算法(FTRA-IDA)。该方法利用与局部现象相关的矢量参数的节能分布式估计问题，对WSN中的传感器选择和路由结构进行联合优化，以在给定的总功率预算下，在给定的查询节点上获得尽可能最佳的估计性能。
Hybrid Ant Colony Optimization Routing（混合蚁群优化路径）
2010年，Canas等人提出了混合蚁群优化路由(HACOR)协议。该协议的算法基于群体智能，灵感来自蚂蚁寻找食物的行为。这个HACOR有一个反应和主动的部分。当有数据包要发送到目的地时，它发送代理来执行路由设置过程。它还主动建立备用路线。
Mixed-Integer Linear Programming（混合整数线性规划）
Habibi等人在[28]中提出了WSN路由的混合整数线性规划优化框架，在信噪比约束下进行中继的最优选择和功率分配。该框架确定了在给定节点配置下，是直接传输还是合作传输才能获得最佳结果。如果合作传输是最优传输方式，则该框架还可用于获得最佳中继节点集以及相应的最优传输功率值。
Multi-Population Firefly Algorithm（多种群萤火虫算法）
Xu 和 Liu 在文献 [29] 中提出了多种群萤火虫算法（Multi-population Firefly Algorithm，简称 MFA），用于相关数据路由。该方法专为水下无线传感器网络（WSNs）设计，通常面临数据传递效率低和能耗高的问题。该算法使用不同群体的萤火虫，在进化中进行优化，以提高收敛速度和解决方案精度。其目标是通过考虑数据相关性和它们的采样率，改善构建、选择和优化路由路径的适应性。在路由路径查找过程中，数据包被合并，多余的信息被消除。
Optimal Gradient Routing（最优梯度路由）
Kannan 和 Paramasivan 在文献 [30] 中提出了在无线传感器网络（WSN）中使用基于最优梯度路由（Optimal Gradient Routing，简称 EEOGR）的能效路由，该路由具有按需邻域信息。所提出的协议将基于按需多跳信息的多路径路由与基于梯度的网络相结合，以实现最佳路径，从而降低传感器节点的能耗。它将数据包转发到汇聚节点的跳数最小化，从而为能耗和延迟提供更好的解决方案。
Fuzzy Ant Colony Optimization Routing（模糊蚁群优化路径）
Amiri等人在2010年提出了模糊蚁群优化路由算法(FACOR)。该方法利用蚁群算法寻找源点和目的点之间存在的路径。它与模糊逻辑相结合，使蚂蚁能够做出最优决策。
Non-Dominated Quantum Iterative Routing（非支配量子迭代路由）
Alanis等人在b[32]中提出了非支配量子迭代路由优化(NDQIO)算法，用于解决多目标路由问题，以达到接近最优的性能。该协议将硬件的处理能力与量子并行编程相结合，实现了大规模无线传感器网络计算复杂度的降低。
Cost-Aware Secure Routing（有成本意识的安全路由）
Tang等人在b[33]中提出了成本感知安全路由(CASER)，解决了无线传感器网络路由中的两个问题，即效率和安全性。提出的协议提供了在不同能量和安全要求下估计路由跳数的公式。通过调节能量平衡控制和基于概率的随机行走两个参数，实现能源效率和安全性的最佳平衡。
Q-Learning LEACH
Cho和Le在b[34]中提出了基于q表强化学习的Q-learning LEACH和基于模糊化方法的Fuzzy-LEACH。这项研究的目标是在网络的设备（节点）连接发生变化时，仍然能够延长网络的寿命。
Routing Protocol for Low Power Lossy Network Objective Function (RPL-OF)低功耗网络目标函数路由协议
Solapure和Kenchannavar在他们的研究[36]中提出了一种根据应用需求选择最佳数据传输路径的方法。他们的技术旨在解决一种称为“短监听”问题的情况，该问题可能影响网络性能。他们使用了一个名为Cooja的模拟器，并搭配Contiki操作系统进行了分析。
简单来说，他们发现他们的方法通过考虑应用程序的具体需求改进了默认的丢包定时器。他们使用模拟工具进行了测试，并发现其性能表现良好，尤其是与传统方法相比。
他们引入了一种增强定时器（EC_En_Timer），该定时器结合了能量和内容的考虑因素。与默认方法相比，这种增强定时器在减少延迟和提高数据包传递率方面表现更好。在能量消耗方面，他们还提出了一种称为ETX（EE）的设计，并将其与增强定时器（EE_En_Timer）相结合，后者考虑了能量和剩余能量。这种组合也在节省能量方面表现出色。
安全协议设计
WSN和IoT网络可能由地理上分布的大量节点组成。这些节点可以附着在人类、植物、动物、建筑、车辆或任何环境中的任何其他物体上。它们还经常用于感知私人数据或传输机密和关键数据。
Polynomial-Based Pair-Wise Key Pre-Distribution
基于多项式的对键预分布
邓等人在[38]中提出了一种在无线传感器网络（WSNs）中进行入侵检测的方法。这个提出的方法使用了基于多项式的一对一密钥预分配方案和计数布隆过滤器（PPKP-CBF）来唯一标识每个传感器节点，这样就不会有复制品伪装成真实标识符。系统将调查传感器节点建立的一对一密钥数量是否超过阈值，以便检测任何复制品。通过模拟评估了提出的协议的性能。模拟结果验证了在移动的无线传感器网络中，该协议能够准确检测到复制品并支持其移除。
Bio-Inspired Cross Layer Protocol
仿生跨层协议
在网络安全协议设计领域，Hortos在[39]中提出了一种生物启发的跨层协议，专门用于入侵检测和识别，被称为"BCLP-IDID"（Bio-inspired Cross Layer Protocol for Intrusion Detection and Identification）。这种方法构建了一个跨层设计，其中包含了遗传算法、反相同步、蚁群优化，以及基于量化数据声誉的信任模型，分别应用在物理层（PHY）、介质访问控制层（MAC）、网络层和应用层。
Web Spider Defense Technique
蜘蛛防御技术
Canovas等人在[40]中提出了一种名为Web Spider Defense Technique for IDS (WSDT-IDS)的生物启发系统。这个系统借鉴了蜘蛛捕食猎物时采取的策略。初始阶段，系统会监听是否有虚假节点接收到任何连接请求。如果接收到请求，它会通过延迟回复来减缓连接速度，并通知网络存在可能的入侵者。这些延迟允许系统收集信息以进行识别。如果系统确认该节点是入侵者或攻击者，将拒绝服务。
IoT Application-Scoped Access Control as a Service (IAACaaS)
物联网应用范围访问控制即服务
Alonso等人在[41]中提出了一个基于OAuth 2.0协议的动态、可扩展、适用于物联网（IoT）的模型。该模型允许完全授权的委托，从而提供一种服务访问控制机制。为了使其非常轻量级，执行身份验证过程所需的所有信息都使用令牌，因此OAuth 2.0确保了该模型与低能力设备兼容。
Recursive Inter Network Architecture (RINA)
递归互联网络体系结构
Ramezanifarkhani和Teymoori在2010年提出了可以解决物联网架构安全挑战的RINA方法。使用RINA可以提高网络架构中的安全性和性能。从所进行的研究来看，RINA针对与物联网攻击、物联网网络挑战和安全需求相关的每一个问题都有一个架构解决方案。
IoT-Flows based Monitor, Analyse, Plan, Execute, and Knowledge (MAPE-K)
基于物联网流的监控、分析、计划、执行和知识(MAPE-K)
Junior等人在[43]中提出了一种针对物联网（IoT）威胁的多层次方法，称为IoT-Flows。他们使用了一种名为“Monitor, Analyse, Plan, Execute, and Knowledge”（监控、分析、规划、执行和知识）的方法。这个方法可以用来应对针对IoT环境的广泛攻击。
这个方法的核心思想是在网络的每个层次都部署一系列防御系统，这些系统具有集成的防御能力，起到网络的防线作用。通过这样的多层次防御，可以有效地应对各种网络攻击。
4.自主性质的鉴定
自主属性的协议设计包括MAC层协议、集群协议、路由协议和安全协议。
自主特性包括自组织、自优化、自我保护和自我能量意识。
不同协议支持的自主属性：
在未来，在聚类和路由活动中考虑能量收集可能会给WSN和物联网网络带来更多优势。例如，最好路由能量较低的剩余节点，但很快就能充电，而不是路由能量较高的剩余节点，但仍然需要很长时间才能充电或没有能量收集能力。
图4显示了网络协议中使用的优化方法。可以看出，在最近的研究中，生物启发算法和高级数学规划被研究人员广泛使用。此外，最近为安全设计的研究方案也使用了生物启发算法。生物启发算法的元启发式行为已经成为解决WSN和物联网网络日益复杂的一个优势。在未来，将会发现更多的生物启发算法，并进行更多的改进，以帮助解决WSN和物联网网络中的挑战。
5.结论及未来的研究方向
我们发现许多协议设计都关注能源效率，因为能源限制是WSN和物联网的主要挑战。为此，协议设计中广泛使用的目标是降低能耗。然而，最近的技术发展引入了能量收集作为能量约束的解决方案，并使物联网系统的连续运行成为可能。支持这种能量收集活动的协议设计主要是针对MAC层的。因此，将能量收集意识嵌入到其他协议功能(如网络集群、路由和安全)的协议设计中，以提高能源使用、网络寿命、网络安全性或QoS方面的网络性能，这是一个广泛开放的研究机会。
我们还发现，最近的协议设计如今使用生物启发算法。生物启发算法的元启发式行为已经成为解决物联网网络复杂性的优势。
未来物联网网络基础设施的研究将以智能化和自主化的方式解决物联网网络中的资源约束、异构性、移动性、可扩展性和安全性等问题。
总结
提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
1809
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
