当前位置：
X-MOL 学术
›
Trans. Emerg. Telecommun. Technol.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Multi-objective metaheuristic optimization-based clustering with network slicing technique for Internet of Things-enabled wireless sensor networks in 5G systems
Transactions on Emerging Telecommunications Technologies ( IF 2.5 ) Pub Date : 2022-08-22 , DOI: 10.1002/ett.4626 B. Gracelin Sheena 1 , N. Snehalatha 1
Transactions on Emerging Telecommunications Technologies ( IF 2.5 ) Pub Date : 2022-08-22 , DOI: 10.1002/ett.4626 B. Gracelin Sheena 1 , N. Snehalatha 1
Affiliation
|
Presently, 5G communication networks have become successful in achieving maximum data rage, and different Internet of Things (IoT) and wireless sensor networks (WSN) have been employed for data collection in 5G networks. Since IoT-enabled WSN are considered as the major supporting technology for 5G networks, energy efficiency and network slicing remain challenging issues. This study designs a novel multi-objective improved seagull optimization-based clustering with network slicing (MOISGO-CNS) technique for IoT-enabled WSN in 5G Systems. The goal of the MOISGO-CNS technique is to construct clusters to accomplish energy efficiency and perform network slicing to balance load in 5G systems. The MOISGO-CNS technique encompasses two major stages namely ISGO-based clustering and IGSO with bidirectional long short-term memory (BiLSTM) based network slicing. The IGSO-based clustering technique derives a fitness function involving three parameters namely two-hop connectivity ratio (2-HCR), remaining energy, and link quality. Besides, the network slicing process includes the design of ISGO algorithm to optimally select the hyperparameters and attain maximum slicing classification performance. A wide range of experiments was carried out and the obtained results demonstrate the supremacy of the MOISGO-CNS technique over the recent approaches. From experimental results the proposed model attained 95.261% of accuracy, 7.89 ms of End-to-End Delay, 14.80% of Packet Loss Ratio, and 85.20% of Packet Delivery Ratio.
中文翻译：
基于多目标元启发式优化的聚类与网络切片技术，适用于 5G 系统中支持物联网的无线传感器网络
目前，5G通信网络已成功实现最大数据范围，并且不同的物联网（IoT）和无线传感器网络（WSN）已被用于5G网络中的数据收集。由于物联网无线传感器网络被认为是5G网络的主要支撑技术，能源效率和网络切片仍然是具有挑战性的问题。本研究为 5G 系统中支持物联网的 WSN 设计了一种新颖的多目标改进型基于海鸥优化的网络切片聚类 (MOISGO-CNS) 技术。MOISGO-CNS技术的目标是构建集群以实现能源效率并执行网络切片以平衡5G系统中的负载。MOISGO-CNS 技术包括两个主要阶段，即基于 ISGO 的聚类和基于双向长短期记忆 (BiLSTM) 的 IGSO 网络切片。基于IGSO的聚类技术导出涉及三个参数的适应度函数，即两跳连接率（2-HCR）、剩余能量和链路质量。此外，网络切片过程还包括ISGO算法的设计，以优化选择超参数并获得最大的切片分类性能。进行了广泛的实验，获得的结果证明了 MOISGO-CNS 技术相对于最新方法的优越性。从实验结果来看，所提出的模型达到了 95.261% 的准确率、7.89 ms 的端到端延迟、14.80% 的丢包率和 85.20% 的包传递率。基于IGSO的聚类技术导出涉及三个参数的适应度函数，即两跳连接率（2-HCR）、剩余能量和链路质量。此外，网络切片过程还包括ISGO算法的设计，以优化选择超参数并获得最大的切片分类性能。进行了广泛的实验，获得的结果证明了 MOISGO-CNS 技术相对于最新方法的优越性。从实验结果来看，所提出的模型达到了 95.261% 的准确率、7.89 ms 的端到端延迟、14.80% 的丢包率和 85.20% 的包传递率。基于IGSO的聚类技术导出涉及三个参数的适应度函数，即两跳连接率（2-HCR）、剩余能量和链路质量。此外，网络切片过程还包括ISGO算法的设计，以优化选择超参数并获得最大的切片分类性能。进行了广泛的实验，获得的结果证明了 MOISGO-CNS 技术相对于最新方法的优越性。从实验结果来看，所提出的模型达到了 95.261% 的准确率、7.89 ms 的端到端延迟、14.80% 的丢包率和 85.20% 的包传递率。网络切片过程包括ISGO算法的设计，以优化选择超参数并获得最大的切片分类性能。进行了广泛的实验，获得的结果证明了 MOISGO-CNS 技术相对于最新方法的优越性。从实验结果来看，所提出的模型达到了 95.261% 的准确率、7.89 ms 的端到端延迟、14.80% 的丢包率和 85.20% 的包传递率。网络切片过程包括ISGO算法的设计，以优化选择超参数并获得最大的切片分类性能。进行了广泛的实验，获得的结果证明了 MOISGO-CNS 技术相对于最新方法的优越性。从实验结果来看，所提出的模型达到了 95.261% 的准确率、7.89 ms 的端到端延迟、14.80% 的丢包率和 85.20% 的包传递率。
更新日期：2022-08-22
中文翻译：
基于多目标元启发式优化的聚类与网络切片技术，适用于 5G 系统中支持物联网的无线传感器网络
目前，5G通信网络已成功实现最大数据范围，并且不同的物联网（IoT）和无线传感器网络（WSN）已被用于5G网络中的数据收集。由于物联网无线传感器网络被认为是5G网络的主要支撑技术，能源效率和网络切片仍然是具有挑战性的问题。本研究为 5G 系统中支持物联网的 WSN 设计了一种新颖的多目标改进型基于海鸥优化的网络切片聚类 (MOISGO-CNS) 技术。MOISGO-CNS技术的目标是构建集群以实现能源效率并执行网络切片以平衡5G系统中的负载。MOISGO-CNS 技术包括两个主要阶段，即基于 ISGO 的聚类和基于双向长短期记忆 (BiLSTM) 的 IGSO 网络切片。基于IGSO的聚类技术导出涉及三个参数的适应度函数，即两跳连接率（2-HCR）、剩余能量和链路质量。此外，网络切片过程还包括ISGO算法的设计，以优化选择超参数并获得最大的切片分类性能。进行了广泛的实验，获得的结果证明了 MOISGO-CNS 技术相对于最新方法的优越性。从实验结果来看，所提出的模型达到了 95.261% 的准确率、7.89 ms 的端到端延迟、14.80% 的丢包率和 85.20% 的包传递率。基于IGSO的聚类技术导出涉及三个参数的适应度函数，即两跳连接率（2-HCR）、剩余能量和链路质量。此外，网络切片过程还包括ISGO算法的设计，以优化选择超参数并获得最大的切片分类性能。进行了广泛的实验，获得的结果证明了 MOISGO-CNS 技术相对于最新方法的优越性。从实验结果来看，所提出的模型达到了 95.261% 的准确率、7.89 ms 的端到端延迟、14.80% 的丢包率和 85.20% 的包传递率。基于IGSO的聚类技术导出涉及三个参数的适应度函数，即两跳连接率（2-HCR）、剩余能量和链路质量。此外，网络切片过程还包括ISGO算法的设计，以优化选择超参数并获得最大的切片分类性能。进行了广泛的实验，获得的结果证明了 MOISGO-CNS 技术相对于最新方法的优越性。从实验结果来看，所提出的模型达到了 95.261% 的准确率、7.89 ms 的端到端延迟、14.80% 的丢包率和 85.20% 的包传递率。网络切片过程包括ISGO算法的设计，以优化选择超参数并获得最大的切片分类性能。进行了广泛的实验，获得的结果证明了 MOISGO-CNS 技术相对于最新方法的优越性。从实验结果来看，所提出的模型达到了 95.261% 的准确率、7.89 ms 的端到端延迟、14.80% 的丢包率和 85.20% 的包传递率。网络切片过程包括ISGO算法的设计，以优化选择超参数并获得最大的切片分类性能。进行了广泛的实验，获得的结果证明了 MOISGO-CNS 技术相对于最新方法的优越性。从实验结果来看，所提出的模型达到了 95.261% 的准确率、7.89 ms 的端到端延迟、14.80% 的丢包率和 85.20% 的包传递率。
京公网安备 11010802027423号