Energy management is a crucial challenge in wireless sensor networks. To date, many techniques have been proposed to reduce energy consumption. Duty cycle methods reduce the energy consumption of wireless sensor networks since energy consumption declines in the sleep mode. Using quorum-based methods, sensors can stay in the sleep mode and be awaken periodically to send and receive data from adjacent nodes. In this paper, we review a subset of these methods called asynchronous quorum-based methods, independent of synchronization between nodes, and investigate their performances in different metrics. Then, we propose a new metric to investigate the latency of adjacent nodes in wireless sensor networks. Next, we study the performances of all discussed methods using the proposed metric. Finally, we introduce the best and worst methods based on different metrics.


翻译:能源管理是无线传感器网络中的一个关键挑战。 到目前为止,已经提出了许多技术来减少能源消耗。 职责周期方法减少了无线传感器网络的能源消耗,因为能源消耗在睡眠模式中下降。 使用基于法定人数的方法,传感器可以保持睡眠模式,并定期觉醒以发送和接收来自邻近节点的数据。 在本文中,我们审查了这些方法中被称为非同步的基于法定人数的方法的子集,独立于节点之间的同步,并调查它们在不同度量度上的性能。 然后,我们提出了一个新的衡量标准,以调查无线传感器网络中相邻节点的静态。 其次,我们研究所有讨论过的采用拟议度方法的性能。 最后,我们介绍了基于不同度的最好和最坏方法。

0
下载
关闭预览

相关内容

专知会员服务
91+阅读 · 2021年6月3日
【康奈尔大学】度量数据粒度,Measuring Dataset Granularity
专知会员服务
12+阅读 · 2019年12月27日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
已删除
德先生
53+阅读 · 2019年4月28日
【泡泡一分钟】用于评估视觉惯性里程计的TUM VI数据集
泡泡机器人SLAM
11+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
LibRec 精选:基于LSTM的序列推荐实现(PyTorch)
LibRec智能推荐
50+阅读 · 2018年8月27日
【推荐】RNN无损压缩方法DeepZip(附代码)
机器学习研究会
5+阅读 · 2018年1月1日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Security of EV-Charging Protocols
Arxiv
0+阅读 · 2022年2月9日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
已删除
德先生
53+阅读 · 2019年4月28日
【泡泡一分钟】用于评估视觉惯性里程计的TUM VI数据集
泡泡机器人SLAM
11+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
LibRec 精选:基于LSTM的序列推荐实现(PyTorch)
LibRec智能推荐
50+阅读 · 2018年8月27日
【推荐】RNN无损压缩方法DeepZip(附代码)
机器学习研究会
5+阅读 · 2018年1月1日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员