abstrak

Properti real-time dan kendala operasional Wireless Sensor Networks (WSNs) telah muncul kebutuhan
untuk merancang protokol routing yang efisien energi. Baru-baru ini, perangkat lunak yang
dikembangkan jaringan berbasis WSN (SDN-WSN) berbasis perangkat lunak telah menawarkan
pengembangan yang signifikan dengan melepaskan bidang logika kontrol dari node sensor daya rendah.
Kontrol terprogram yang terpusat ini masih mengalami beberapa tantangan konfigurasi dalam
lingkungan sensor terdistribusi. Pendekatan SDN berbasis-heuristik telah diusulkan untuk pemilihan jalur
yang efisien di WSN tetapi mereka masih menderita masalah eksplorasi dan eksploitasi. Oleh karena itu,
makalah ini membahas kekurangan ini dengan mengusulkan algoritma lumba-lumba berbasis meta-
heuristik (DEA) untuk mengoptimalkan pemilihan rute di WSNs. Fungsi obyektif dari algoritma DEA
adalah untuk mempertimbangkan energi residu dari node untuk memilih rute yang efisien energi.
Kinerja algoritma yang diusulkan dibandingkan dengan beberapa algoritma meta-heuristik dalam hal
konsumsi energi, dan parameter throughput jaringan.
introduction

Jaringan sensor nirkabel (WSN) mengacu pada seperangkat jaringan sensor tersebar yang terorganisasi
dengan baik yang digunakan untuk pemantauan dan pengumpulan data waktu nyata dari
lingkungannya. Data-data ini dikumpulkan ke stasiun pangkalan yang telah ditentukan. Oleh karena itu,
protokol perutean menjadi sangat penting dalam WSN untuk memenuhi persyaratan Kualitas Layanan
(QoS) aplikasi baru seperti yang dijelaskan oleh Choi et al. dan Akyildiz et al. Protokol routing berbeda
sesuai dengan persyaratan aplikasi dan arsitektur jaringan. Routing di WSN selalu dianggap sebagai
pemikiran karena sifat bawaannya yang membedakan jaringan ini dari jaringan komunikasi nirkabel lain
seperti jaringan seluler Al-Karaki et al. dan Singh et al. Di WSN, sejumlah besar sensor biasanya
digunakan dan ini membuat tugas yang mustahil untuk membangun skema pengalamatan global karena
overhead pemeliharaan ID. Dengan demikian, protokol berbasis IP tradisional mungkin tidak berlaku
untuk WSN. Sensor yang digunakan untuk WSN sangat dibatasi dalam hal energi, pemrosesan dan
kemampuan penyimpanan dan karenanya mereka membutuhkan pengelolaan sumber daya secara hati-
hati. Selain itu, ada kemungkinan data redundan yang tinggi untuk dieksploitasi oleh protokol routing
untuk peningkatan bandwidth dan dengan itu pemanfaatan energi terkait. Untuk meminimalkan
konsumsi energi dalam WSN, berbagai teknik routing telah diusulkan yang dapat diklasifikasikan
menurut arsitektur jaringan. Selain itu, protokol perutean ini dapat dikategorikan ke dalam multi-
lintasan, kualitas layanan (QoS), berbasis permintaan, dan berbasis negosiasi tergantung pada operasi
protokol Heinzelman et al. dan Silva et al.
Meskipun WSN banyak digunakan untuk aplikasi yang beragam, namun ada banyak kekurangan dalam
karakteristik struktural mereka. Misalnya, karena kekurangan metode yang dikelola sendiri, penjadwalan
node sensor tidak dapat dikonfigurasi ulang. Dengan munculnya software-defined-network (SDN) dalam
kombinasi dengan WSN, pengembangan utama telah diperkenalkan pada metode penjadwalan sumber
daya. Dengan pemisahan data dan bidang kontrol, SDN memahami pemisahan fungsi penjadwalan data
dan fungsi manajemen program. SDN membantu melindungi perbedaan dalam perangkat dan
menyelesaikan rekonstruksi sumber daya perangkat keras. Selanjutnya, dengan bantuan ekstensi
protokol Open Flow, pengontrol SDN yang tertanam dengan WSN memungkinkan untuk membangun
pemetaan sumber daya fisik virtual. Persyaratan perutean di WSN tidak optimal dalam hal “mengangkut
(memindahkan)” informasi yang dibutuhkan. Selain itu, konsumsi energi terkait juga perlu
dipertimbangkan oleh manajemen jaringan. Untuk melakukan itu berbagai pendekatan perlu
dipertimbangkan Ndiaye et al., Hu et al. dan Lou et al.
Identifikasi objek dan algoritma penentuan posisi mendapatkan peran penting dalam WSN. Karena
kegagalan metode tradisional mengidentifikasi target yang bergerak, metode pelacakan target WSN
berbasis Model Interaksi diperkenalkan Vasuhi et al. Demikian pula, mengingat kendala konsumsi energi
di WSN, metode penyaringan informasi berbasis acara dipresentasikan Lu et al. Untuk realisasi jaringan
sensor bergerak bi-target tracking, strategi yang dikendalikan diproyeksikan oleh Su et al. Untuk
meningkatkan kualitas pelacakan dan mempertahankan tujuan hidup jaringan, sebuah ide telah
disajikan berdasarkan metode k-covering yang tidak lengkap Shi et al. Sebuah survei telah disajikan
untuk masalah penargetan dan pelacakan di lingkungan yang heterogen Sleep et al. dan Keskin et al.
menawarkan model matematika untuk keputusan desain WSN, perutean data, dan pengaturan aktivitas,
dan menyediakan dua model metaheuristik. Algoritme protokol multipath routing protokol yang
ditingkatkan dalam jaringan sensor nirkabel seluler (ECBR-WSN) diusulkan oleh Anitha et al., Yang
bergantung pada metode pengelompokan energi rendah. Energi dump maksimum, mobilitas minimum,
dan jarak minimum dari base station dianggap sebagai parameter pengoptimalan atau fungsi kebugaran
untuk algoritma yang diberikan yang membantu memperpanjang umur jaringan sensor nirkabel melalui
konsumsi energi node penyeimbang muatan. Baru-baru ini, algoritma optimasi berbasis kecerdasan
buatan mendapat perhatian penting oleh para sarjana untuk mengoptimalkan WSN menggunakan
berbagai parameter termasuk konsumsi energi Zhang et al. Han et al. mekanisme pengelompokan yang
diusulkan berdasarkan pada algoritma koloni lebah buatan.
Algoritma yang Diusulkan Penjadwalan Berbasis Hirarki dalam SDN-WSN

Dalam SDN-WSN, routing hirarkis adalah kombinasi dari jalur lokal dan optimisasi jalur global. Rute
optimal dapat dihitung di antara node-cluster dari cluster yang berdekatan melalui optimalisasi jalur
lokal dan kemudian global path find dapat ditemukan menggunakan algoritma optimasi dari target ke
sink node dengan pemilihan rute optimal antara head-to-head kelompok. Dalam proses pelacakan
target, semua sensor di WSN didistribusikan ke cluster Zhao et al. Jalur optimal antara node dapat
dilewatkan melalui cluster, yang dapat dihitung dengan algoritma optimasi. Dalam studi ini, konsumsi
energi (utilisasi) dan throughput dianggap sebagai parameter optimasi yang memperpanjang umur SDN-
WSN yang diusulkan. Dalam SDN-WSN, pengontrol SDN yang dapat diprogram bertanggung jawab atas
algoritma optimasi penjadwalan yang memotong beban operasional melalui WSN. Meskipun ada banyak
algoritma optimasi yang dikembangkan untuk optimasi global dan lokal di SDN-WSN, sebagian besar
algoritma ini menimbulkan masalah eksplorasi / eksploitasi, yang menghasilkan solusi sub-optimal dalam
pengaturan ini. Untuk mengatasi masalah yang disebutkan di atas, makalah ini mengusulkan aplikasi
Algoritma Dolphin Echolocation (DEA) khusus untuk optimasi SDN-WSN sehubungan dengan optimasi
jalur lokal dan global.

Masalah formulasi di SDN-WSN

Untuk model pelacakan target di SDN-WSN, dua parameter (yaitu konsumsi energi dan
throughput) akan dipantau, di mana algoritma akan digunakan secara bersamaan untuk jalur
lokal dan optimisasi jalur global. WSN umumnya tergantung pada teknik multi-hop routing dan
diperlukan untuk membangun routing lokal (𝐿𝐿𝐿𝐿) antara cluster yang berdekatan. Sedangkan,
mulai simpul 𝑁𝑁𝑠𝑠 dalam kluster ini 𝐶𝐶𝑠𝑠 mentransmisikan data melalui klaster yang
berdekatan 𝐶𝐶𝑡𝑡 ke simpul tujuan 𝑁𝑁𝑡𝑡 dengan menggunakan teknik perutean. Perutean lokal
yang ditetapkan sebagai 𝐿𝐿𝐿𝐿 (𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝐶𝐶𝑠𝑠 𝑡𝑡𝑓𝑓 𝐶𝐶𝑡𝑡) dapat menjadi jalur optimal yang
dihitung oleh algoritme pengoptimalan Zhao et al. Sesuai persyaratan transmisi di WSN,
makalah ini berfokus pada fungsi multi-tujuan dengan tujuan memaksimalkan throughput dan
efisiensi konsumsi energi. Ini akibatnya menghasilkan peningkatan seumur hidup SDN-WSN.
Untuk 𝐿𝐿𝐿𝐿 fungsi tujuan dapat dirumuskan sebagai
Di mana 𝑇𝑇 berarti throughput dan 𝐸𝐸 untuk energi sementara while adalah konstanta yang banyak.
Di tingkat global, perutean akan melibatkan beberapa kelompok. Berdasarkan 𝐿𝐿𝐿𝐿, routing global (()
mengimplementasikan optimasi routing end-to-end tergantung pada persyaratan layanan. Semua jalur
lokal yang dikomputasi disegmentasi ke dalam set seperti 𝑃𝑃𝑖𝑖… 𝑃𝑃𝑘𝑘. Ketika algoritma optimasi
memenuhi kendala terkait dengan setiap jalur; kemudian jalur optimal dipilih untuk 𝐺𝐺𝐿𝐿. Untuk
optimasi 𝐺𝐺𝐿𝐿, fungsi objektif dapat dirumuskan sebagai

Dimana 𝑄𝑄 adalah untuk setiap jalur, 𝑄𝑄𝑝𝑝 adalah jumlah total jalur dalam set 𝑃𝑃𝑡𝑡ℎ, dan 𝑃𝑃𝑖𝑖 adalah
setiap jalur yang ditetapkan dalam jumlah total set path 𝑃𝑃𝑘𝑘. 𝑉𝑉𝑃𝑃𝑃𝑃 adalah nilai fungsi 𝑄𝑄. 𝐺𝐺𝐿𝐿
fungsi tujuan adalah untuk menghitung jumlah maksimum jalur optimal yang memiliki throughput
maksimum dan pemanfaatan energi minimum. Dua kendala dipertimbangkan di sini: Pertama adalah
untuk memilih jalur lokal dari setiap jalur yang ditetapkan sementara kendala lainnya mensyaratkan
bahwa jalur lokal harus dipilih dari cluster yang baik secara langsung atau tidak langsung saling
berhubungan.

Dolphin Echolocation Algorithm (DEA) adalah algoritma bio-terinspirasi yang meniru karakteristik
ekolokasi lumba-lumba untuk mencari mangsa Mosood et al. dan Kaveh et al. Untuk masalah optimisasi
yang dijelaskan dalam SDN-WSN di bagian sebelumnya, pseudo-code yang diusulkan untuk algoritma
yang diusulkan adalah sebagai berikut:
Hasil dan Diskusi

Untuk pengaturan eksperimental, MATLAB versi R2016a digunakan untuk perumusan ekspresi
matematika yang diperkenalkan dan implementasi algoritma yang diproyeksikan untuk optimasi SDN-
WSN. Algoritma DEA kemudian dibandingkan dengan algoritma metaheuristik terkenal seperti Bat, Ant-
colony (ACO) dan teknik optimasi Gray-Wolf dalam hal masalah optimasi yang dijelaskan Masood dkk.,
Kashef dkk. dan Saxena et al. Hasil dievaluasi menjadi dua fase: bagian pertama membahas simulasi
yang ditangkap dari alat MATLAB dalam bentuk grafik, sedangkan bagian kedua menyelidiki tabel yang
mewakili pengaturan singkat dari fase tambahan percobaan. Parameter yang dipertimbangkan untuk
pengaturan eksperimental yang diberikan ditunjukkan pada Tabel 1.

Hasil Simulasi MATLAB

Pada fase percobaan pertama, 45 sensor dan 9 cluster dipertimbangkan; karena setiap cluster memiliki 5
sensor, sedangkan algoritma diterapkan pada level 𝐿𝐿𝐿𝐿 dan 𝐺𝐺𝐿𝐿. DEA diteliti dengan cermat
dibandingkan dengan algoritma yang diberitahukan (Bat, ACO dan Gray-Wolf) untuk masalah optimisasi
yang diberikan. Gambar. 1 dan Gambar. 2 menggambarkan hasil yang diperoleh untuk optimalisasi SDN-
WSN sehubungan dengan throughput dan fungsi tujuan pemanfaatan energi. Seperti DEA, Bat, ACO dan
Grey-Wolf adalah algoritma sifat stokastik. Untuk alasan ini, percobaan dijalankan dengan metode
penerapan simulasi beberapa kali, sehingga setiap algoritma yang memiliki 100 iterasi akan
menghasilkan nilai optimal dalam satu 𝐿𝐿𝑉𝑉𝑙𝑙. Dengan kata lain, algoritma disimulasikan pada alat
MATLAB dengan berbagai jumlah kali, dikenal sebagai 𝐿𝐿𝑉𝑉𝑙𝑙, di mana sebagai 𝑀𝑀𝑒𝑒𝑙𝑙𝑙𝑙 nilai optimal
dihitung, berdasarkan rumus,, seperti yang ditunjukkan pada Tabel 2.
Pada Gbr.1 dan Gbr. 2, algoritma DEA yang diusulkan membedakan dirinya dengan hasil yang lebih baik
dibandingkan dengan algoritma lain yang dinyatakan dalam hal mencapai throughput maksimum dan
pemanfaatan energi minimum. Pada Gambar. 1, DEA diproduksi
𝑀𝑀𝑒𝑒𝑙𝑙𝑙𝑙 solusi optimal selama setiap interval 𝐿𝐿𝑉𝑉𝑙𝑙 (dari 100 hingga 2000). Kecenderungan analog
dapat dipantau pada Gambar. 2. Akibatnya, algoritma DEA menunjukkan konvergensi yang lebih baik
sementara berhasil menghasilkan solusi optimal dari kedua fungsi tujuan yang dijelaskan dalam skenario
eksperimental yang diberikan.
Pada fase percobaan berikutnya, algoritma DEA dan Bat, ACO, dan Grey-Wolf yang diusulkan diterapkan
pada berbagai ukuran jaringan SDN-WSN; seperti 20, 50 dan 80 sensor, bersama dengan 4, 10 dan 16
cluster, untuk mengeksplorasi solusi optimal dan terburuk sehubungan dengan throughput dan fungsi
tujuan konsumsi energi. Untuk throughput, solusi optimal adalah nilai maksimum dan yang terburuk
adalah nilai throughput minimum. Sementara, dalam kasus fungsi obyektif konsumsi energi, nilai
minimum adalah optimal dan nilai maksimum adalah solusi terburuk, seperti yang ditunjukkan pada
Tabel 3 dan 4.
Dari Tabel 3 dan 4, terungkap bahwa algoritma DEA yang diusulkan menghasilkan solusi terbaik
dibandingkan dengan algoritma lain untuk throughput dan fungsi tujuan konsumsi energi. Misalnya,
dalam tabel 3, untuk 50
 

jaringan sensor, DEA memiliki solusi optimal 101.200 bps sebagai throughput maksimum; sedangkan,
algoritma lain menghasilkan solusi sub-optimal, yang menunjukkan kinerja konvergensi sub-standar dari
teknik tersebut. Demikian pula, dalam tabel 4, konsumsi energi DEA adalah minimum untuk skala
jaringan yang diberikan. Sejalan dengan itu, algoritma DEA memiliki kerusakan minimum dalam
throughput jaringan SDN-WSN dan kriteria konsumsi energi.

Makalah ini berfokus pada masalah optimasi aplikasi SDN-WSN dan mempertimbangkan throughput dan
pemanfaatan energi dari sensor sebagai parameter. Model optimasi disajikan, di mana SDN-WSN diiris
menjadi domain 𝐿𝐿𝑅𝑅 dan 𝐺𝐺𝑅𝑅, bersama dengan jumlah sensor yang berada di cluster. Dengan model
optimisasi SDN-WSN yang diatur, algoritma meta-heuristik (yaitu DEA) telah menawarkan dan dirancang
dengan kode pseudo-novelnya yang spesifik untuk aplikasi yang diberikan. Eksperimen dilakukan dalam
dua fase; mantan memonitor 𝑀𝑀𝑀𝑀𝑀𝑀𝑅𝑅 solusi optimal sambil mengimplementasikan algoritma
DEA yang diusulkan versus algoritma lainnya (Bat, ACO, Gray-Wolf) beberapa kali (100 - 200
𝑅𝑅𝑅𝑅𝑅𝑅𝑠𝑠). Tujuan dari percobaan ini adalah untuk mendapatkan hasil yang tidak ambigu dalam
bentuk nilai 𝑀𝑀𝑀𝑀𝑀𝑀𝑅𝑅. Percobaan mengungkapkan kinerja yang lebih baik dari algoritma DEA
dibandingkan dengan algoritma kompetitif untuk masalah optimasi yang diberikan. Untuk memeriksa
perilaku algoritma ke berbagai ukuran SDN-WSN, percobaan tahap kedua dilakukan, dan hasilnya
disusun dalam tabel 3 dan tabel 4. Sekali lagi, kinerja DEA yang diproyeksikan diukur dengan algoritma
yang dikutip. Dari statistik dalam tabel, terungkap bahwa DEA tidak hanya berhasil
 

menghasilkan solusi optimal untuk berbagai skala SDN-WSN tetapi juga menunjukkan keunggulan
kinerjanya terhadap algoritma Bat, ACO dan Gray-Wolf untuk kedua fungsi tujuan. Dengan kata lain,
untuk skenario yang diberikan, algoritma ini memiliki keterbatasan untuk menemukan solusi optimal
dalam SDN-WSN. Mereka telah menghasilkan solusi sub-optimal di kedua tahap percobaan. Selain itu,
juga ditemukan bahwa ukuran jaringan SDN-WSN tidak mengganggu kinerja algoritma DEA, Bat, ACO
dan Gray-Wolf saat menangani masalah optimisasi.