TU Darmstadt / ULB / TUprints

On random gossiping in wireless sensor networks

Chen, Zhiliang (2019)
On random gossiping in wireless sensor networks.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Text
2019-08-21_Chen_Zhiliang.pdf
Copyright Information: CC BY-NC-SA 4.0 International - Creative Commons, Attribution NonCommercial, ShareAlike.

Download (1MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: On random gossiping in wireless sensor networks
Language: English
Referees: Klein, Prof. Dr. Anja ; Hollick, Prof. Dr. Matthias
Date: 2019
Place of Publication: Darmstadt
Date of oral examination: 2019
Abstract:

This thesis studies random gossiping in wireless sensor networks. Sensors in wireless sensor networks generate measurement data and communicate it with each other such that the desired aggregation involving the measurements of all sensors is achievable. Random gossiping is a decentralized communication paradigm for wireless sensor networks. When random gossiping is applied in the network, a sensor wakes up in a random manner and exchanges messages with its neighbor sensors. Critical problems of using random gossiping for the aggregation are the unmeasurable convergence, the bias of the aggregation, the convergence speed measured by the number of communications in the network, and the support of multiple applications, potentially.

In this thesis, a sensor is modeled as the integration of sensing, transmission, computation, and storage. The enabling of the communications among sensors requires a cross-layer design to meet the efficiency and low power consumption requirements. To facilitate the cross-layer design, the concept of indicating-header is proposed. The indicating-header serves as the shared information containing the aggregation status of the measurement of a particular sensor in the message of another sensor. Therefore, a straightforward metric of the convergence is given. To overcome the bias of the aggregation, the storage capacity at each sensor is explored with the help of the indicating-headers. A sensor can use the previously received messages stored in the memory to cancel the bias in the aggregation. An improvement of the bias cancellation is shown to be achievable by selecting a subset of the neighbor sensors of a sensor to perform the communications.

To improve the convergence speed, the indicating-headers are communicated in the random gossiping before the transmission of the messages containing the aggregation data. The information in the indicating-header enables the sensor to decide on the necessity of message communications. When it communicates with multiple neighbor sensors, the sensor uses the indicating-header to select only a subset of neighbor sensors for communications. A reduction in the number of communications is achieved while the efficiency of the aggregation is maintained. A further method to improve the convergence speed is proposed to coordinate sensors that are multiple hops away from the sensor in the random gossiping. When the constraint to the network topology is made that the sensor and its neighbor sensors remain static, the random gossiping can be improved by reducing the indicating-header communications. Moreover, when sensors are at topological bottle-neck positions of the network, these sensors may defer their message communications waiting for the groups of sensors that they are ”bridging” to have aggregation locally achieved. Such transmission deferment applied to these sensors reduces further the number of communications in the network.

When multiple applications are running in the network, a difference in terms of the number of communications to perform shall be made between the sensors that are involved in a specific application and those that are not. A refinement of the random gossiping is proposed by considering six different scenarios with respect to the involvement of a sensor and its neighbor sensors in an application. The indicating-header is used to enable sensors to distinguish between the six different scenarios. The sensors which are not involved in the application require fewer communications after the refinement while more communications are performed by the sensors that are involved in the application. Meanwhile, the total number of communications in the network is maintained.

Alternative Abstract:
Alternative AbstractLanguage

Diese Dissertation untersucht Random-Gossiping in drahtlosen Sensornetzwerken. Sensoren in drahtlosen Sensornetzwerken erzeugen Messdaten und kommunizieren diese so miteinander, dass die gewünschte Aggregation der Messungen aller Sensoren erreichbar ist. Random-Gossiping ist ein dezentrales Kommunikationsparadigma für drahtlose Sensornetzwerke. Wenn Random-Gossiping im Netzwerk angewendet wird, wacht ein Sensor in zufälliger Weise auf und tauscht Nachrichten mit seinen Nachbarsensoren aus. Kritische Probleme bei der Verwendung von Random-Gossiping für die Aggregation sind die nicht messbare Konvergenz, Verzerrung der Aggregation, die Konvergenzgeschwindigkeit, die durch die Anzahl der Kommunikationen im Netzwerk gemessen wird, und die mögliche Unterstützung mehrerer Anwendungen.

In dieser Dissertation wird ein Sensor als die Integration von Sensorik, Übertragung, Berechnung und Speicherung modelliert. Die Ermöglichung der Kommunikation zwischen Sensoren erfordert ein Cross-Layer-Design, um die Anforderungen an Effizienz und geringen Stromverbrauch zu erfüllen. Um das Cross-Layer-Design zu erleichtern, wird das Konzept des Indicating-Headers vorgeschlagen. Der Indicating-Header dient als die gemeinsame Information, die den Aggregationsstatus der Messung eines bestimmten Sensors in der Nachricht eines anderen Sensors enthält. Daher ist eine direkte Metrik der Konvergenz gegeben. Um die Verzerrung der Aggregation zu überwinden, wird die Speicherkapazität jedes Sensors mit Hilfe der Indicating-Header genutzt. Ein Sensor kann die zuvor in Speicher gespeicherten empfangenen Nachrichten verwenden, um die Verzerrung der Aggregation zu reduzieren. Es wird gezeigt, dass eine Reduktion der Verzerrung erzielbar ist, indem eine Teilmenge der Nachbarsensoren eines Sensors ausgewählt wird, um die Kommunikation durchzuführen.

Um die Konvergenzgeschwindigkeit zu verbessern, werden die Indicating-Headers beim Random-Gossiping vor der Übertragung der Nachrichten, die die Aggregationsdaten enthalten, kommuniziert. Die Information im Indicating-Header ermöglicht dem Sensor, über die Notwendigkeit einer Nachrichtenkommunikation zu entscheiden. Wenn er mit mehreren Nachbarsensoren kommuniziert, verwendet der Sensor den Indicating-Header, um nur eine Teilmenge von Nachbarsensoren für die Kommunikation auszuwählen. Eine Verringerung der Anzahl von Kommunikationen wird erreicht, während die Effizienz der Aggregation erhalten bleibt. Eine weitere Methode zur Verbesserung der Konvergenzgeschwindigkeit wird vorgeschlagen, um Sensoren zu koordinieren, die im Random-Gossiping mehrere Hops von dem Sensor entfernt sind. Wenn die Einschränkung der Netzwerktopologie vorgenommen wird, dass der Sensor und sein Nachbarsensor statisch bleiben, kann Random-Gossiping verbessert werden, indem die Kommunikation der Indicating-Headers reduziert wird. Darüber hinaus können diese Sensoren, wenn sie sich an topologischen Engpasspositionen des Netzwerks befinden, ihre Nachrichtenkommunikation verschieben, bis die Gruppen von Sensoren, die sie ”überbrücken”, eine lokale Aggregation erreicht haben. Eine derartige Übertragungsverzögerung, die auf diese Sensoren angewendet wird, reduziert weiter die Anzahl von Kommunikationen im Netzwerk.

Wenn mehrere Anwendungen im Netzwerk ausgeführt werden, muss ein Unterschied hinsichtlich der Anzahl der durchzuführenden Kommunikationen zwischen den Sensoren, die an einer bestimmten Anwendung beteiligt sind, und denen, die nicht beteiligt sind, festgestellt werden. Eine Verfeinerung des Random-Gossiping wird vorgeschlagen, indem sechs verschiedene Szenarien in Bezug auf die Beteiligung eines Sensors und seiner Nachbarsensoren in einer Anwendung betrachtet werden. Der Indicating-Header wird verwendet, um den Sensoren zu ermöglichen, zwischen den sechs verschiedenen Szenarien zu unterscheiden. Die Sensoren, die nicht an der Anwendung beteiligt sind, benötigen nach der Verfeinerung weniger Kommunikationen, während mehr Kommunikationen von den Sensoren, die an der Anwendung beteiligt sind, ausgeführt werden. Hierbei wird die Gesamtzahl der Kommunikationen im Netzwerk beibehalten.

German
URN: urn:nbn:de:tuda-tuprints-89300
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology > Institute for Telecommunications > Communications Engineering
Date Deposited: 11 Sep 2019 13:18
Last Modified: 09 Jul 2020 02:41
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/8930
PPN: 453711308
Export:
Actions (login required)
View Item View Item