Clustering based on whale optimization algorithm for IoT networks / Soundous Ayet-Errahmane Aissaoui

Public ISBD Titre : Clustering based on whale optimization algorithm for IoT networks Type de document : texte imprimé Auteurs : Soundous Ayet-Errahmane Aissaoui, Auteur ; Dounia Reggad ; Zibouda Zouaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (65 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet of Things (IoT) Wireless Sensor Networks (WSN) Whale optimization Algorithm (WOA) Energy consumption Network lifetime Index. décimale : 004 - Informatique Résumé : The Internet of Things (IoT) is an innovative concept in the field of information and communication technologies, allowing each entity (human, animal, or object) to send and receive data via networks such as the Internet or Intranet. Wireless sensors, powered by batteries, have limited energy resources, and their replacement is often impractical, which limits the lifespan of wireless sensor networks. Therefore, reducing the energy consumption of the sensors used in IoT networks is a crucial challenge to prolong the network’s lifespan. Clustering, which groups sensor nodes into clusters, is an effective solution to improve communication and reduce energy consumption in wireless sensor networks (WSNs). Each cluster is led by a node called Cluster Head (CH), responsible for organization, data management, and routing, which directly influences energy consumption and network lifespan. Therefore, we need an effective method to select them carefully to ensure optimal performance and energy efficiency. The Whale Optimization Algorithm (WOA), inspired by the social behavior of humpback whales, offers a promising solution for selecting CHs optimally. This method ensures efficient management and optimal organization of communications, improving performance and extending the network’s lifespan. Note de contenu : Sommaire Abstract i Résumé ii Table of contents viii List of figures x List of tables xi List of algorithms xii General Introduction 1 1 Internet of Things, Wireless Sensor Networks and Clustering 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 IoT definition : One paradigm, many visions . . . . . . . . . . . . . . . . . . 3 1.3 IoT architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.4 IoT Elements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.1 RFID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.2 WSN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.3 Middleware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4.4 Cloud Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.5 IoT Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.6 Future IoT Requierements . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.7 Wireless Sensor Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.2 Components . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7.3 Topologies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.7.4 Characteristics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.8 WSNs in IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9.1 Clustering definition . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9.2 Clustering Objectives in WSN . . . . . . . . . . . . . . . . . . . . . . 18 1.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2 Clustering Approaches 21 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2 Clustering Basic concepts and phases . . . . . . . . . . . . . . . . . . . . . . 21 2.2.1 Cluster Formation Phase . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.2 Cluster Head Selection Methods . . . . . . . . . . . . . . . . . . . . . 22 2.3 Clustering Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.3.1 Classical Clustering Algorithms . . . . . . . . . . . . . . . . . . . . . 24 2.3.2 Machine Learning algorithms . . . . . . . . . . . . . . . . . . . . . . 25 2.3.3 Bio-inspired Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3 Contribution, Experiments and Results 39 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2 Modelisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2.1 Network model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2.2 Energetic model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.2.3 Trafic model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.3 Proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.3.1 Fitness function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.3.2 Cluster head Selection . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.3.3 Cluster Formation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.3.4 Intra-cluster communication . . . . . . . . . . . . . . . . . . . . . . . 46 3.3.5 Inter-cluster communication . . . . . . . . . . . . . . . . . . . . . . . 47 3.3.6 Reclustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4 Implementation and writing tools . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.5 Simulation and performance evaluation . . . . . . . . . . . . . . . . . . . . . 49 3.5.1 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.5.2 Simulation Parameters . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.5.3 Simulation Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 General Conclusion 59 Côte titre : MAI/0845 Clustering based on whale optimization algorithm for IoT networks [texte imprimé] / Soundous Ayet-Errahmane Aissaoui, Auteur ; Dounia Reggad ; Zibouda Zouaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (65 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet of Things (IoT) Wireless Sensor Networks (WSN) Whale optimization Algorithm (WOA) Energy consumption Network lifetime Index. décimale : 004 - Informatique Résumé : The Internet of Things (IoT) is an innovative concept in the field of information and communication technologies, allowing each entity (human, animal, or object) to send and receive data via networks such as the Internet or Intranet. Wireless sensors, powered by batteries, have limited energy resources, and their replacement is often impractical, which limits the lifespan of wireless sensor networks. Therefore, reducing the energy consumption of the sensors used in IoT networks is a crucial challenge to prolong the network’s lifespan. Clustering, which groups sensor nodes into clusters, is an effective solution to improve communication and reduce energy consumption in wireless sensor networks (WSNs). Each cluster is led by a node called Cluster Head (CH), responsible for organization, data management, and routing, which directly influences energy consumption and network lifespan. Therefore, we need an effective method to select them carefully to ensure optimal performance and energy efficiency. The Whale Optimization Algorithm (WOA), inspired by the social behavior of humpback whales, offers a promising solution for selecting CHs optimally. This method ensures efficient management and optimal organization of communications, improving performance and extending the network’s lifespan. Note de contenu : Sommaire Abstract i Résumé ii Table of contents viii List of figures x List of tables xi List of algorithms xii General Introduction 1 1 Internet of Things, Wireless Sensor Networks and Clustering 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 IoT definition : One paradigm, many visions . . . . . . . . . . . . . . . . . . 3 1.3 IoT architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.4 IoT Elements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.1 RFID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.2 WSN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.3 Middleware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4.4 Cloud Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.5 IoT Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.6 Future IoT Requierements . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.7 Wireless Sensor Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.2 Components . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7.3 Topologies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.7.4 Characteristics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.8 WSNs in IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9.1 Clustering definition . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9.2 Clustering Objectives in WSN . . . . . . . . . . . . . . . . . . . . . . 18 1.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2 Clustering Approaches 21 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2 Clustering Basic concepts and phases . . . . . . . . . . . . . . . . . . . . . . 21 2.2.1 Cluster Formation Phase . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.2 Cluster Head Selection Methods . . . . . . . . . . . . . . . . . . . . . 22 2.3 Clustering Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.3.1 Classical Clustering Algorithms . . . . . . . . . . . . . . . . . . . . . 24 2.3.2 Machine Learning algorithms . . . . . . . . . . . . . . . . . . . . . . 25 2.3.3 Bio-inspired Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3 Contribution, Experiments and Results 39 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2 Modelisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2.1 Network model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2.2 Energetic model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.2.3 Trafic model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.3 Proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.3.1 Fitness function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.3.2 Cluster head Selection . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.3.3 Cluster Formation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.3.4 Intra-cluster communication . . . . . . . . . . . . . . . . . . . . . . . 46 3.3.5 Inter-cluster communication . . . . . . . . . . . . . . . . . . . . . . . 47 3.3.6 Reclustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4 Implementation and writing tools . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.5 Simulation and performance evaluation . . . . . . . . . . . . . . . . . . . . . 49 3.5.1 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.5.2 Simulation Parameters . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.5.3 Simulation Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 General Conclusion 59 Côte titre : MAI/0845

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0845	MAI/0845	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)