Implementation of Energy-Efficient Auto Clustering Framework for Improving Quality of Service in IoT-enabled WSN Applications
Notice bibliographique
Résumé
Abstract In today’s world, emerging Internet of Things (IoT) technology have the most potential to extend the influence of the internet through IoT-enabled devices in futuristic fields such as smart healthcare, commercial, and industrial applications. Wireless Sensor Network (WSN) is utilized for sensing and communication processes over IoT-based applications. However, the battery energy of the sensor nodes is restricted in IoT-enabled WSN (IWSN) owing to its irreplaceable ability. Most of the existing clustering schemes lagged to mitigate the control packet overhead problem since it consumes extra energy for data computation, gathering, and forwarding tasks at any environmental conditions. In this paper, a novel Energy-Efficient Auto Clustering (EEAC) framework has been proposed to develop the effective IWSN model with enhanced quality of service. The EEAC framework comprises three phases such as zone formation, node classification, and auto clustering phases. The objective of the first phase is to significantly form the different zones by alleviating the hotspot problem. Subsequently, the fuzzy logic algorithm is employed in the second phase to classify the nodes as Master, Sub-Master, and member nodes. Finally, the third phase of the proposed framework will accomplish the auto clustering mechanism based on hop information received from the reported packet. The performance results evident that the proposed EEAC framework obtains a lesser energy consumption of 0.01J during dense network and the network lifetime is prolonged up to 48% when compared with existing state-of-the-art clustering models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».