Synthèse de document « Algorithmes de diffusion de données pour la matière

communicante en utilisant les réseaux de capteurs sans fil »

L'archive ouverte pluridisciplinaire HAL, est destinée au dépôt et a la diffusion de documents scientifiques de niveau recherche, publies ou non, émanant des établissements d'enseignement et de recherche français ou étrangers, des laboratoires publics ou prives.

Résumé :

La matière communicante est un nouveau paradigme de l’Internet des objets (Internet of Things). Il est conçu pour effectuer des produits efficaces, de contrôler et d’assurer la continuité de l'information tout au long du cycle de vie du produit.Donc, le stockage du cycle de vie d'informations et la diffusion des données à communiquer dans les matériaux sont des questions très importantes à poser.Ce document fournit des solutions de stockage de données sur les matériaux par diffusion à travers systématique en intégrant des nœuds capteurs sans fil ultra - petits, à l'aide d’un système de radiodiffusion basé sur les compteurs, compteur de sauts et un mécanisme de stockage probabiliste. Différents algorithmes sont développés pour la diffusion localisée ou non-localisée. Les performances de notre solution sont évaluées pour les données non-segmenté et ensuite segmenté.Les résultats de comparaison entre les mécanismes de stockage via simulation en utilisant Castalia / OMNeT ++ montrer que l’algorithme probabiliste fournit une diffusion plus uniforme et efficace des données que le compteur de sauts, pour les différents niveaux de densité.

I. Introduction :

La matière communicante est un nouveau paradigme des systèmes d'informations industrielles présentée et discutée pour la première fois dans [1]. Il améliore une matière classique avec les capacités suivantes: il peut stocker des données, communiquer les informations à tout point de sa surface, et garder les capacités précédentes en cas d’une modification des propriétés physiques.

Ce concept conduit a un grand changement au niveau du « l’Internet of Things », par l’introduction de la capacité de l’émission et de la réception des données par la matière ordinaire. En effet, la matière ne communique pas en utilisant certaines balises ou nœuds localisés au niveau des points spécifiques, mais devient communicant d’une façon intrinsèque et continue.Donc pour arriver à cette version, il faut insérer des dispositifs électroniques ultra-petits (en milliers) dans la matière du produit pendant sa fabrication industrielle.Les premiers travaux concernant la matière communicante sont présentés dans [2,3].

1

Il introduit une matière communicante (exemple : textile), obtenu en dispersant une quantité énorme de μtags RFID (1500 étiquettes / m²) dans un textile fabriqué (Les « μtags : petites étiquettes » sont les puces fabriquées par la société Hitachi, de mesure 0.15mmx0.15mm).

Le system globale implique un lecteur / graveur RFID connecté à une base de données relationnelle qui contient la totalité des informations de cycle de vie du produit, A chaque opération d'écriture , la base de données , est exploré pour sélectionner les éléments de données pertinentes ( fragments de la table de base de données ) qui doivent être stockés dans la matière . Pour faire ça, il faut attribuer a chaque élément de données un niveau d’importance entre 0 et 1 (1 point = très critique de données, 0 = élément de données ordinaire), calculé via un algorithme de prises de décision multicritères.Les éléments de données avec les niveaux d'importance les plus élevées sont ensuite stockées dans les μtags lorsque le textile passe sous le module d’écriture, au cours de la phase de fabrication.

Depuis les RFID sont memoryconstrained (les contraintes de mémoires), l’élément de données est segmenté et stocké sur plusieurs balises à l'aide d'une entête de protocole spécifique qui est également capable de reconstruire l'information initiale. Ce processus de division est appelés segmentation et les pièces qui en résultent sont segments.Avec un tel système, le stockage de données dans la matière communicante nécessite une connexion lecteur / graveur à chaque étiquette. Si une d’elles n’est pas connectée durant la phase de diffusion, elle sera isolée et comptée vide par défaut, ce qui limite l'utilisation de la technologie RFID dans des matériaux solides de grandes tailles tels que le béton et bois.Par conséquence, nos travaux actuels proposent d'utiliser sans fil réseaux de capteurs (WSN :Wireless Sensor Network) pour ces produits par dispersion ultra-petite et micro (nano même [4]) nœuds de capteurs dans la matière (par exemple 100 nœuds / m²).Cet article présente des algorithmes de diffusion pour stocker des éléments de données pertinentes à des nœuds de capteurs sans fil dispersés en des produits à grande échelle.Les différents modes de stockage sont envisagés comme illustré à la figure 1 : stockage non localisée (l’information est répartie sur tout l'ensemble de la matière) et de stockage localisée (l'information est située dans une région limitée de la matière).

(a) stockage localisée (b) stockage non localisée

Fig. 1. Les modes de stockage de la diffusion pour les éléments de données dans la matière communicante.

2

1 : [Dans notre article, le terme segmentation n’est pas employé dans son sens classique ce qui signifie, en général utilisé pour la couche de transport du modèle OSI.]Parlant du mode non - localisée, l'algorithme doit respecter la contrainte suivante : les données doivent être lisibles partout sur la matière même après une transformation de la forme (par exemple découpage, sciage et forage). Donc, un élément de données donné doit être reproduit d’une manière uniforme. En effet, sur la figure 2 (a), l’information n’est pas diffusée uniformément, de telle sorte qu’il existe des morceaux de matériau vides et l'information ne peut pas être lue après une coupure par exemple. Cependant, la figure 2 (b) montre une réplication uniforme où l’information pourrait être lue dans chaque pièce.

(a) Diffusion non-uniforme (b) Diffusion uniforme

Fig. 2. Diffusion uniforme de prévision de transformation de la matière.

En effet, au niveau de diffusion d’information, chaque élément doit être couplé avec un niveau d’importance, ainsi, le nombre de nœuds de stockage de ces données devrait dépendre de ce niveau comme indiqué dans les figures 3 (a) et 3 (b). Par conséquent, l'algorithme de diffusion doit conserver l'uniformité de la réplication de l'élément de données dans la matière communicante quel que soit le niveau d’importance.

L’algorithme proposé est simulé avec Castalia / OMNeT ++, en utilisant un modèle de collision réaliste et en évaluant l'uniformité de réplication pour articles segmentées et non segmentées données de différents niveaux d’importance.Le document est organisé comme suit : - La section 2 est consacrée aux travaux connexes. -La Section 3 détaille la conception de nos algorithmes pour diffusion des données de communication dans les matériaux. -La Section 4 est dédiée à la présentation des résultats de simulation et évaluation de la performance - La section 5 conclut l’article.

3

II. TRAVAUX CONNEXES :Dans WSN, les protocoles de diffusion de données sont utilisées pour la reprogrammation du réseau, le routage des chemins découvertes par exemple par DSR (Dynamic Source Routing, protocole de

routage pour les réseaux maillés sans fils) et AODV (Ad hoc On Demand Distance Vector, destiné aux réseaux mobiles réseau ad hoc), tolérance aux pannes, mules de données et la gestion d’évier mobile [5]. Au cours des dernières années, divers algorithmes ont été proposés [6].

Il existe deux approches principales des protocoles de diffusions : réactif et proactif qui est divisé dans la distribution structurées et non structurées stratégies comme le montre la figure 4. Dans la première, les nœuds réagissent à un événement (par exemple la présence de mules et évier mobile) par la diffusion des données vers les nœuds qui sont situés près de les positions de l'événement.

-réactif : un protocole qui construit les tables de routage avant que la demande en soit effectué.-proactif : est un protocole qui construit une table de routage lorsqu'un nœud en effectue la demande. Il est divisé en stratégie de la distribution structurée et non structurées.Dans le premier cas, en cas d’événement (présence des mules et éviers mobiles), la diffusion vers les nœuds voisins arrive.Dans le premier cas, les nœuds réagissent à un événement (par exemple la présence de mules ou évier mobile) par la diffusion des données cumulées vers les nœuds situés près de la position de l'événement.Pour l’approche proactive, les nœuds distribuent leurs données vers tout le sous-ensemble des nœuds qui ont le rôle de stockage, en prévision des futurs événements, des nœuds échec, collection mule, et d'autres. Pour la diffusion structurée, ces nœuds de stockage forment généralement un structure virtuelle (par exemple grille, ligne et rail) dans le WSN, qui font des données disponibles pour être récupérées plus tard (par exemple : un évier mobile visite les nœuds pour recueillir les données). Cependant, pour la diffusion non-structurée, les données sont répliquées dans l'ensemble réseau.

Fig. 3. Classification des protocoles de diffusion des données de WSN.

4

Le but de ce travail est de diffuser pleinement et à répliquer d’une manière uniforme des données dans l'ensemble de la matière communicante, afin de faciliter le processus de lecture à n’importe quel point de la matière aussi d'anticiper les transformations physiques possibles. Par conséquent,Cette section se concentre sur les protocoles liés à la diffusion proactive non-structurée.Les protocoles de diffusion proactive non structurée dans WSN prévoient un mécanisme de diffusion et une stratégie de stockage, à la fois détaillés dans ce qui suit.

1.  Le mécanisme de diffusion : L’algorithme de diffusion est appelé inondation .Les inondations sont un algorithme important dans WSN et appliqué lorsqu'un nœud source doit envoyer information au sous-ensemble ou la totalité des nœuds dans le réseau. Ceci est réalisé par une diffusion d’un paquet à l'ensemble du quartier. Chaque nœud qui reçoit le paquet le rediffuse, s’il n'a pas été transmis précédemment. De cette façon, l'information traverse l'ensemble du réseau et atteint tous les nœuds qui décident de la stocker ou non (en fonction de la stratégie de stockage).

Bien que l’inondation soit très simple et efficace pour la diffusion des données, elle a des déficiences. Les principaux problèmes sont les suivants: -La duplication (c.à.d. un nœud est forcée d’obtenir des informations deux fois de deux nœuds différents). -La collision (c.à.d. la diffusion augmente la contention). -Les ressources cécités (c.à.d. nœuds n’adoptent pas les mécanismes d’économies d'énergie) [7].En conséquence, divers projets d’inondation contrôlée ont été proposées, y comprisà base probabiliste [ 8 ] [9] , basés sur les compteurs [10 ] [ 11 ] , basés sur la localisation et basés sur la distance [ 12 ] .

Les régimes en fonction de l'emplacement et la distance exploitent la distance entre les nœuds et leurs informations positions. Par conséquence, il faut équiper les nœuds par des RSSI s (Signal Strength Indicator Reçu) ou un système de positionnement global (GPS). Mais ces fonctions supplémentaires ne pouvaient pas être appliquées dans la matière communicante depuis l’intégration des nœuds dans le produit avec une densité élevée (c.à.d. les nœuds sont très proches).Les auteurs dans [13] [14] montrent que ce régime basé sur les compteurs surclasse le régime probabiliste en termes de fiabilité (c.à.d. le pourcentage moyen des nœuds qui sont atteints) et d’efficacité (c.à.d. le montant moyen des ressources nécessaires à la diffusion d'un message).

Ce mécanisme permet de réduire le nombre des nœuds qui retransmettent avec un taux d'arrivée élevé. En outre, il ne nécessite pas des paramètres spécifiques tels que la distance et l'emplacement. Pour ces raisons, la stratégie basée sur les compteurs est adoptée dans notre protocole de diffusion comme mécanisme de diffusion.

2. La stratégie de stockage :Les protocoles de la stratégie de stockage en diffusion proactive non structurée sont développés dans la littérature en fonction de l’application cible. Dans [15], [16], l'ion informant est répliquée dans chaque nœud pour la reprogrammation du réseau.Si un nœud ne reçoit pas la nouvelle version du code binaire, le logiciel ne sera pas mis à jour et isolé.

5

Les auteurs dans [17] [18] [19] proposent des stratégies de stockage pour améliorer la résilience du réseau contre le risque de nœuds échecs.Les nœuds de stockage sont sélectionnés en fonction des paramètres critiques tels que la connectivité, la mémoire disponible et l’énergie restante. DEEP [20] adopte une autre stratégie de stockage, pour la collecte des données efficace, avec évier mobile sur une trajectoire incontrôlée.Chaque nœud qui reçoit une donnée stockée avec une probabilité P fonction du nombre derenseignements qui doit être répliqué dans chaque nœud. Dans [21], les auteurs utilisent un mécanisme basé sur les compteurs à sauts pour répliquer les données et pour la collecte d’évier mobile.Le compteur à sauts est un processus dont lequel la transmission d’une donnée est répétée depuis un nœud à un de ses voisins choisis. En même temps, le nombre de sauts est rendu compte depuis le nœud de source est compter. Lorsque le compteur est égale à une valeur prédéfinie, la les informations sont stockées dans le nœud courant.

3. Le Synthèse et la solution proposée:L'émission principale et le stockage des approches pour les données protocoles de diffusion en WSN pourraient être résumées en deux catégories comme indiqué dans le tableau 1.

TABLEAU 1. Les approches de diffusion et de stockage

6

Les stratégies de stockage ci-dessus utilisent les paramètres physiques des nœuds (par exemple mémoire et de l’énergie), la topologie du réseau, et la sensibilisation du quartier pour répliquer les données à travers le WSN.Ils ne supposent pas les propriétés et les caractéristiques des données diffusées par défaut.Ce problème est la contribution essentielle de notre travail, le protocole de diffusion de l'information dynamique est proposé et appliqué sur le cadre de la matière communicante.Dans le document actuel, le niveau d'importance des données est traité. Le point avec un haut niveau doit être reproduit plus que celui avec un niveau inférieur. L'algorithme de diffusion doit assurer l’uniformité de réplication pour chaque niveau.Dans le passé, quelques travaux tentent de comparer les données des protocoles de diffusion dans l'ensemble du réseau de capteurs sans fil, et à notre connaissance, l'uniformité de la réplication n’est pas étudiée.Pour ces raisons, les approches probabilistes et basés sur les compteurs de sauts sont couplées avec des inondations basés sur les compteurs sont développés dans cet article, et les résultats sont comparés à partir d’un point de vue d’uniformité.Le reste de l’article détaille les données proposées par les algorithmes de diffusion, puis présente les résultats de simulation obtenues pour les différents éléments de données vue le niveau d'importance.

II. Algorithme de diffusion des données :

Cette section présente nos différentes stratégies et algorithmes de diffusion de l’élément de données. Tout d’abord, le concept de nœud maître est défini, alors le schéma de transfert basés sur les compteurs est décrit, et enfin les algorithmes de diffusion sont présentés.

1. Le nœud maitre (ou Master Node) :Lorsque l'utilisateur diffuse des informations, il se connecte à la matière communicante par un nœud sélectionné dans son portée de transmission qui est nommé dans le document actuel «nœud maître ». Le nœud maître est responsable des demandes d'utilisateurs de l’envoi, la collecte des messages de réponse de tous les nœuds, et la diffusion d’éléments de données. Certaines contraintes pourraient être utilisées pour sélectionner le nœud maitre comme le plus haut niveau d'énergie résiduelle.

2. La stratégie de diffusion (système basé sur les compteurs):Notre protocole de diffusion adopte régime d’expédition basé sur les compteurs. Lorsqu’un nœud reçoit un nouveau paquet, il fixe un délai d'attente aléatoire avant de prendre la décision de l’envoi.Pendant ce délai, le capteur compte le nombre de retransmission du même paquet par des nœuds voisins. Après l’écoulement du délai d'attente, le paquet est transmis seulement si le nombre N de retransmissions est inférieur à un seuil prédéterminé. En conséquence, le rapport de transmission dépend de la densité des nœuds : dans les zones à faible densité de ce rapport sera élevé, alors que dans les zones à forte densité, il sera faible.Des méthodes différentes peuvent être utilisées pour le choix du seuil tel que celles décrites dans [22] [23]. Dans [22], un nœud définit la valeur du seuil de compteur en fonction du nombre de ses nœuds voisins.

7

De même, dans [23], un nœud est définit selon la distance entre lui et le nœud de diffusion .Les auteurs dans [24] montrent qu'un seuil de 4 à 6 retransmissions est préférable du point de vue de fiabilité et d’efficacité.En outre, des résultats de simulation en [14] [25] montrent que, si le seuil est de 4 ou plus, la fiabilité est plus que 99,5 %. Comme la matière communicante a haute densité des nœuds de capteurs embarqués (par exemple 100 nœuds / m²), un seuil de 4 est utilisé pour le régime basé sur les compteurs de notre algorithme de diffusion.

3. Les stratégies de stockage :

Cette section présente deux approches pour la réplication des éléments de données dans l'ensemble de la matière communicante à l'aide du niveau d'importance en tant que paramètre. Ceux-ci sont respectivement à base des compteurs de sauts et à base probabiliste.Rappelons qu'un élément de données est couplé avec un niveau d’importance. Une partie de la stratégie de stockage consiste à convertir ce niveau en un niveau de diffusion calculé une fois par le nœud principal et envoyé au réseau des capteurs. Par conséquence, pour chaque méthode, une fonction de conversion F est définie. TABLEAU 2. Les approches de diffusion et de stockage

8

9

Dans le cas d’un stockage localisé, la zone de stockage doit être réduite à une zone centrée sur le nœud maître. En conséquence, pour chaque approche, une fonction de limitation G est définie, qui s’adapte au niveau de diffusion (calculé précédemment par le nœud maître en utilisant F) à la zone de stockage. Cette fonction est exécutée sur chaque nœud recevant un élément de données ( voir tableau 2 ) .A. Le stockage basé sur les compteurs de sauts (Hop-contre):

Le nœud maître commence à diffuser le paquet avec une valeur de compteurHop égale à H0, calculé à la conversion F1 en fonction du niveau d'importance (voir le tableau 2).Le paquet est diffusé d'un nœud à tous ses voisins, et à chaque saut le compteur est décrémenté (Hop=Hop-1) jusqu'à ce qu'il atteigne zéro. Dans ce cas, le nœud doit stocker les données, puis réinitialise Hop à sa valeur initiale (H0), et retransmet le paquet à l'intérieur de son quartier. Ce processus se poursuit jusqu'à ce que les bords de matériau soient atteints. Notant que H0 est également inclus dans la paquet.Notre algorithme de diffusion est basé sur l’inondation. Avec un tel modèle de communication, le paquet est traité par les nœuds qui ont déjà reçu.En effet, l'utilisateur peut diffuser plusieurs segments ou d'autres éléments de données. Ainsi, chaque paquet est identifié par un identifiant dans la couche réseau (Paquet ID) et ensuite les nœuds sont limités à accepter le même message qu'une seule fois. Si un nœud reçoit un message de

10

nouveau avec le même ID, il sera tombé. La figure 5 représente l'organigramme du processus exécuté dans chaque nœud.

Figue. 5. Organigramme du processus de diffusion de données a compteurs de sauts.

     B.  Le stockage probabiliste :Dans cette solution, les paquets de données sont diffusés tout au long de l’ensemble de la matière communicante et ils atteignent tous les nœuds de capteurs utilisant le processus d’inondations basé sur les compteurs. Chaque nœud décide de stocker les données localement avec la probabilité P déterminé par la fonction de conversion.A titre d’exemple, soit P = 0,5. Apres la réception d'un paquet de données, un nœud sélectionne une valeur aléatoire rand dans l'intervalle [0,1], le nœud stocke l'élément de données uniquement si rand≤P (= 0,5). La figure 6 montre l’organigramme décrivant ce processus exécuté dans chaque

11

nœud. Seulement la partie de stockage est illustrée, si la diffusion basée sur les compteurs est la même.

Figue. 6. Organigramme du processus de diffusion de données probabiliste.

4. La stratégie de stockage localiséLes deux stratégies peuvent être complétées avec la fonction de limitation définie pour retenir la zone de stockage à travers le nœud maître .Pour l'approche compteurs de sauts, G1 est défini comme un morceau de la fonction linéaire, qui influe sur la valeur de H0 (voir tableau 2).La figure 7 décrit l'effet de la fonction de limitation de H0 .En effet, le paquet de données contenant l'élément de données est d'abord envoyée du nœud maître (n ° 0) au capteur de réseau. Lorsque le nombre de répétitions NR (nombre de fois où l'élément de données a été stocké) devient supérieur à MaxNR, alors la valeur de H0 est changée en MAXHOP. Cette nouvelle valeur empêche ainsi tous autres capteurs pour stocker l'élément de données contenues dans ce paquet de données.

12

Figue. 7. Effet de la fonction de limitation sur la valeur H0Pour l'approche probabiliste, la fonction de limitation G2 est une division de la probabilité initiale par une constante K (voir tableau 2). Nœud après nœud, la probabilité diminue, le déplacement s’approche de 0, ce qui empêche les nœuds de stocker l'élément de données.

IV. SIMULATION ET ÉVALUATION DU RENDEMENT :Dans cette section, la configuration de simulation est décrite tout d'abord .Ensuite, les résultats de la simulation effectuée sont présentés et discutés.

1. Configuration de simulation :

La performance de notre solution est évaluée par simulation. Le simulateur Castalia / OMNET ++ est utilisé pour mettre en œuvre nos algorithmes de diffusion. Actuellement, de nombreux simulateurs de réseaux de capteurs sans fil sont disponibles comme COOJA et TOSSIM mais Castalia fournit un canal sans fil réaliste, modèles de radio et un comportement de nœud [26].Néanmoins, Castalia est modifié pour supporter les applications de la matière communicante. Un module radio spécifique est développé ce qui est cohérent avec le composant CC2420 mais permet une gamme de transmission plus réduite.Ainsi, on peut simuler un millier de nœuds dispersés dans une matière de petite taille.La matière communicante simulée se compose de 2500 nœuds. Les positions des nœuds sont tous uniformément répartis dans un carré de 5m x 5m (100 nœuds / m²) et la puissance de transmission est de -90 DBm, qui est utilisé pour assurer qu’un nœud donné ne peut pas communiquer avec ses voisins directs .Les paramètres de la simulation choisie sont résumés dans le tableau 3. TABLEAU 1. Les approches de diffusion et de stockage

13

2. Les résultats de simulation de la diffusion non-localisée :  A.   L’élément de données non-segmentées :Les impacts des stratégies de stockage sur les performances de l'uniformité, pour les algorithmes de diffusion des données proposées, ont été étudiés, par simulation Castalia.Les figures 8 et 9 montrent les résultats de simulation des mécanismes de la diffusion et de stockage, de compteurs de sauts et de la réplication probabiliste, d’un élément de données pour les différents niveaux d'importance (c.à.d. respectivement : les différents sauts et les différentes probabilités).

Figue. 8. stockage de compteur de sauts non-localisée des éléments de données non-segmentées.

14

En se basant sur les résultats obtenus, Les observations suivantes sont réalisables. Ces deux figures montrent la forte fiabilité du système de radiodiffusion basé sur les compteurs car tous les nœuds peuvent stocker les informations pour les valeurs suivantes : Hop = 0 et P = 1.En outre, les données sont répliquées dans la matière communicante selon le degré d'importance (le compteur de sauts et la probabilité de stockage). Lorsqu'une faible importance est utilisée, par exemple P = 0, 4, l’élément de données est stocké dans 1000 nœuds ou moins dans la matiere communicante. La densité de stockage diminue avec la diminution du degré d'importance en utilisant les deux algorithmes.

Figue. 9. stockage probabiliste non-localisée des éléments de données non-segmentées.Pour étudier la performance de l’uniformité, la matière simulée est divisée en des petites cellules de 50 cm x 50 cm, comme illustré dans la figure 10. Chaque pièce à 25 nœuds de capteurs uniformément répartis (grille 50x50 est utilisée). Dans chaque cellule, le nombre de nœuds, qui ont stocké des éléments de données, est compté.

Figue. 10. Division de la matière en morceaux de 50 cm x50cm.

La figure 11 montre la différence de densité de stockage entre les cellules, en utilisant l'outil de déviation standard .Comme la norme de dispersion présente un écart de variable autour de sa moyenne, la figure montre que l'algorithme probabiliste a une diffusion résultante plus uniforme que celle obtenue avec l’approche basée sur le compteur de sauts.

15

Lorsque peu d'importance est utilisé (0,5 et moins), la norme d’écart diminue pour l’algorithme sur le compteur de sauts (c.à.d. l’uniformité est pire avec grande valeur du compteur). Dans ce cas, il y a beaucoup de morceaux qui sont complètement vides et d'autres sont mal remplis. Apres tout, il n'y a pas de diminution significative d’écart-type de la stratégie probabiliste parce que les éléments de données sont répliqués de manière uniforme et des nombreuses pièces sont remplis pour tout les niveaux d’importance.Par conséquent, la stratégie basée sur les compteurs de sauts produit plus des zones vides dans la matière communicante que la stratégie probabiliste en cas de niveau d'importance faible, ce qui pourrait conduire à la perte de données au cours de transformation de la matière.

Figue. 11. niveau d'importance par rapport à l'écart type de stratégies de stockage.

B. L’élément de données segmentées :

Les figures 12 et 13 montrent les résultats de la simulation de la diffusion d'un élément de données segmentées pour les stratégies : probabiliste et basée sur les compteurs de sauts.

16

Figue. 12. stockage de compteur de sauts non-localisée des éléments de données segmentées.

Figue. 9. stockage probabiliste non-localisée des éléments de données segmentées.

Les trois segments (S1, S2 et S3) sont diffusés avec la même valeur de compteur de saut (Hop) pour le premier algorithme et la même probabilité P pour le deuxième. Les couleurs noir, vert, et bleu présentent les nœuds qui ont stocké le premier, le deuxième et troisième segment, respectivement.La figure 12 montre que tous les segments ont diffusés la même densité dans la matière pour les grandes valeurs du compteur de sauts (Hop = 6 ou plus), comme l'algorithme proposé tente de faire exactement le même des répliques de tous les paquets diffusés .Cependant, comme les éléments de données non-segmentées, il ya des zones plus vide lorsque le nombre de sauts augmente. En outre, si les segments de grande taille sont diffusés avec un faible nombre de sauts (par exemple,

17

Hop = 0), le premier élément diffusé est stocké dans tous les zones disponibles de la mémoire des nœuds et empêche les autres segments d'être répliqués. Par exemple, pour Hop = 2 , le premier segment est stocké dans plus que 837 nœuds , le deuxième en 702 nœuds et le dernier segment est reproduit dans 529 nœuds .Ce problème est plus clair, pour la figure 13 de la stratégie de réplication probabiliste. Le premier segment est répliqué dans un grand nombre de nœuds que les autres pour un haut niveau d’importance ce qui présente un problème de manque d'espace mémoire. Comme exemple pour une probabilité de stockage P = 0,6, le premier segment est reproduit dans 1473 nœuds et le dernier est stocké dans 213 nœuds.Une solution pour ces problèmes pourrait s’appuyer sur une auto-organisation dynamique du stockage d'élément de données, dans lequel le nœud décide d’une manière autonome de reproduire ou non. Le processus de réplication peut utiliser une approche de stockage de commande similaire ànégociation de quartier pour savoir si les données ont déjà été stockées par d'autres nœuds ou non[19], ou les techniques de la compression de données d’application sont décrites dans [27] [28].Les algorithmes de compression sont adaptés pour le stockage réduit ou les ressources limitées des nœuds ultra - petits (par exemple dans [27] des taux de compression allant jusqu'à 70% sur des ensembles de données environnementales).

3. Les résultats de simulation de la diffusion localisée : A.   L’élément de données non-segmentées :Les résultats de simulation de diffusion localisée d'élément de données sont représentés sur les figures 14 et 15 pour les approches : basées sur les compteurs de sauts ( R = 6 ) et probabilistes (K = 2,5 ).

Figue. 14. stockage de compteur de sauts localisée des éléments de données non-segmentées.

Figue. 15. stockage probabiliste localisée des éléments de données non-segmentées.

18

Comme le montre la figure 14, on peut conclure que le mécanisme de réplication saut par saut garantit un stockage efficace des éléments de données dans la zone cible de la matière.La densité de stockage augmente en fonction de nombre de compteur de sauts, à titre d’exemple, pour Hop = 2, l’élément de données est répliqué dans 195 nœuds. Toutefois, pour Hop = 6, il est stocké dans 122.Comme pour l'approche probabiliste, les données sont reproduites d’une manière efficace dans la zone souhaitée, comme illustré sur la figure 15. la densité de stockage est élevée dans les nœuds autour du nœud maître (à savoir, la probabilité P est élevé prés de ces nœuds et elle diminue autour de l'écart du nœud maître).

B. L’élément de données segmentées :

Les résultats de la simulation de la diffusion localisée des éléments de données segmentées sont présentés dans les figures 16 et 17, pour les approches basées sur les compteurs de sauts et a base probabiliste.

Figue. 14. stockage de compteur de sauts localisée des éléments de données segmentées.

Figue. 15. stockage probabiliste localisée des éléments de données segmentées.

19

Le nœud maître commence par la diffusion du premier segment .Si la mémoire est pleine, le nœud retransmet le paquet sans décrémenter le compteur. C’est pourquoi le deuxième segment est reproduit en dehors du premier et de même pour le troisième segment comme le montre la figure 16. Le dernier élément diffusé est reproduit dans un grand nombre de nœud que les autres. Par exemple pour Hop = 6, le premier segment est stocké dans 125 nœuds, la seconde dans 179 et le dernier segment est reproduit dans 267 nœuds.Cependant, les segments sont stockés dans la zone cible avec le même taux de réplication en utilisant l'algorithme probabiliste représenté sur la figure 17. Tous les segments ont la même densité.Pour cette raison, l'approche probabiliste est plus efficace que celle basée sur les compteurs de sauts pour la diffusion localisée.

 V. Conclusion:

Dans cet article, les algorithmes de diffusion des données sont proposés pour stocker des informations à communiquer dans les matériaux embarqués à travers des nœuds de capteurs sans fil ultra-petits.Une approche d’inondation, basée sur les compteurs, couplé avec les stratégies de stockage est utilisé pour diffuser les paquets et pour contrôler le taux de réplication en fonction du niveau d'importance de l'information d'utilisateur.Les algorithmes de stockage non localisé et localisé sont étudiés. Et pour chaque mode de stockage, des stratégies, basées sur compteurs de sauts et la réplication probabiliste, sont proposées.Les performances de ces solutions sont évaluées par des simulations informatiques pour des données non segmentées et segmentées. Pour la diffusion non - localisée, les résultats de la simulation montrent que notre algorithme probabiliste fournit une réplication plus uniforme que celui basé sur les compteurs de sauts, qui peut plus éviter la perte de données au cours de la transformation physique de la matière.Concernant la diffusion localisée, les résultats de la simulation montrent un stockage localisé efficace pour les données non segmenté utilisant à la fois le compteur de sauts et les approches probabilistes. Cependant, l'algorithme probabiliste surpasse l'autre pour les éléments segmentés parce que tous les segments sont répliquées dans la zone cible avec la même densité.

20

REFERENCES:

[1] S. Kubler, W. Derigent, A. Thomas, E. Rondeau,“Problem definitionmethodology for the Communicating Material paradigm”, 10th IFACWorkshop on Intelligent Manufacturing Systems, 1-2 July 2010,Lisbonne, Portugal.

[2] S. Kubler, W. Derigent, A. Voisin, A. Thomas, E. Rondeau, “Methodfor embedding context -sensit ive informat ion on “communicat ingtext iles” via fuzzy AHP ”, Journal of Intelligent and Fuzzy Systems,February 2013.

[3] S. Kubler, W. Derigent, A. Thomas, E. Rondeau, “Embedding dat a on“communicating materials” from cont ext -sensit ive informat ionanalysis”, Journal of Intelligent Manufacturing, March 2013.

[4] M.U. Mahfuz, K.M. Ahmed, "A review of micro-nano-scale wirelesssensor networks for environmental protect ion: Prospects andchallenges", Science and Technology of Advanced Materials, Vol. 6,No. 4, May 2005, pp. 302-306.

[5] M. Akdere, C.C. Bilgin, O. Gerdaneri, I. Korpeoglu, O. Ulusoy, U.Cet int emel, “A comparison of epidemic algorit hms in wireless sensornetworks”, Journal of Comput er Communicat ions, Vol. 29, August2006, pp. 2450-2457.

[6] F. Hongping, F. Kangling, “ Overview of dat a disseminat ion strategy inwireless sensor networks”, Int ernat ional Conference on E-HealthNetworking, Digital Ecosystems and Technologies, 17-18 April 2010,Shenzhen, China, pp. 260-263.

[7] Y. Busnel, A. Ghodsi, K. Iwanicki, H. Miranda, H. Weatherspoon,"Gossiping over st orage systems is pract ical“ , ACM SIGOP S Operat ingSystems Review, Vol. 41, No. 5, 2007, pp. 75-81.

[8] O. Sekkas, D. Piguet , C. Anagnostopoulos, D. Kotsakos, G. Alyfant is,C. Kassapoglou-Faist, S. Hadjiet hymiades, “Probabilist ic informat iondisseminat ion for MANET s: the IPAC approach”, 20th TyrrhenianWorkshop on Digital Communicat ion, 2010, Pula, Italy,pp. 375-385.

[9] P . Kyasanur, R. Choudhury, I. Gupta, “ Smart gossip: an adaptive gossipbasedbroadcast ing service for sensor networks”, IEEE Int ernat ionalConference on Mobile Ad Hoc and Sensor Systems, Octobre 2006,Vancouver, Brit ish Columbia, Canada, pp. 91-100.[10] H. Miranda, S. Leggio, L. Rodrigues, K. Raat ikainen, “ A power -awarebroadcast ing algorithm”, 17th IEEE Internat ional Symposium onPersonal, Indoor and Mobile Radio Communicat ions, 11-14 September

21

2006, Helsinki, Finland, pp. 1–5.

[11] C. Zhi-yan, J. Zhen-zhou, H. Ming-zeng, "An energy-aware broadcastscheme for directed diffusion in wireless sensor network", Journal ofCommunicat ion and Computer, Vol. 4, No. 5, May 2007, pp. 28-35.

[12] E.R. Sanchez, M. Rebaudengo, L. Zhang, “Performance evaluat ion ofreliable and unreliable opportunist ic flooding in wireless sensornetwork”, 17t h IEEE Int ernat ional Conference on Networks, 14-16December 2011, Singapore, pp. 7-12.

[13] B. Garbinato, D. Rochat , M. Tomassini, F. Vessaz, “Inject ing powerawarenessinto epidemic informat ion disseminat ion in sensor networks”,Journal of Future Generat ion Computer Systems, Vol. 26, 2010, pp.868-876.

[14] S. Izumi, T. Matsuda, H. Kawaguchi, C. Ohta, M. Yoshimoto,“Improvement of Counter-based Broadcast ing by Random AssessmentDelay Extension for Wireless Sensor Networks”, IEEE Internat ionalConference on Sensor Technologies and Applicat ions, 14-20 October2007, Valencia, Spain, pp. 76-81.

[15] S.S. Kulkarni, L. Wang, “MNP: Mult ihop Network ReprogrammingService for Sensor Networks”, 25th IEEE Internat ional Conference onDistributed Comput ing Systems, June 2005, Columbus, Ohio, USA, pp.7-16.

[16] W. Dong, C. Chen, X. Liu, G. Teng, J. Bu, Y. Liu, “Bulk datadisseminat ion in wireless sensor networks: Modeling and analysis”,Computer Networks, Vol. 56, 2012,pp. 2664-2676.

[17] G. Maia, D.L. Guidoni, A.C. Viana, A.L. Aquino, R.A. Mini, A.A.Loureiro, “A distributed data storage protocol for heterogeneouswireless sensor networks with mobile sinks”, Ad Hoc Networks, Vol.11, No. 5, July 2013, pp. 1588-1602.

[18] J. Neumann, N. Hoeller, C. Reinke, V. Linnemann, “Redundancyinfrast ructure for service-oriented wireless sensor networks”, 9th IEEEInternat ional Symposium on Network Comput ing and Applicat ions,15-17 July 2010, Cambridge, Massachusetts,USA, pp. 269-274.

[19] P. Gonizzi, G. Ferrari, V. Gay, J. Leguay, "Data disseminat ion schemefor distributed storage for IoT observat ion systems at large scale",Journal of Informat ion Fusion, April 2013.

[20] M. Vecchio, A. C. Viana, A. Ziviani, R. Friedman, “ DEEP : Densit ybasedproact ive data disseminat ion protocol for wireless sensor networkswit h uncontrolled sink mobility”, Journal of Comput er Communicat ions,Vol. 33, No. 8, 2010, pp. 929-939.[21] Z. Bar-Yossef, R. Friedman, G. Kliot , “RaWMS - RandomWalk basedLightweight Membership Service forWireless Ad Hoc Networks”, ACMTransact ions on Computer Systems,Vol. 26, No. 2, 2008, pp. 1-66.

22

[22] Y. Tseng, S. Ni, E. Shih, “Adapt ive Approaches to Relieving BroadcastSt orms in a Wireless Mult ihop Mobile Ad Hoc Network”, IEEETransact ions on Computers, Vol. 52, No. 5, May 2003, pp. 545-557.

[23] C. Chen, C. Hsu, H. Wang, “DISCOUNT: A Hybrid P robability -BasedBroadcast Scheme for Wireless Ad Hoc Networks”, 62nd IEEEConference on Vehicular Technology, Vol. 4, 25-28 September 2005,pp. 2706-2710.

[24] J. Arango, A. Efrat, S. Ramasubramanian, M. Krunz, S. Pink,“ Retransmission and Back-off Strategies for Broadcast ing in Mult i-hopWireless Networks”, 3rd IEEE Int ernat ional Conference on BroadbandCommunicat ion, Networks and Systems, 1-5 October 2006, San José,California, USA.

[25] S. Izumi, T. Takeuchi, T. Matsuda, H. Kawaguchi, C. Ohta, M.Yoshimoto, “Count er-Based Broadcast ing with Hop Count AwareRandom Assessment Delay Extension for Wireless Sensor Networks”,IEICE Transact ions on Communicat ions, Vol.E91-B, No.11, November2008, pp.3489-3498.

[26] H. Sundani, H. Li, V. Devabhaktuni, M. Alam, P. Bhattacharya,“Wireless Sensor Network Simulators, A Survey and Comparisons”,Internat ional Journal of Computer Networks, Vol. 2, No. 5, 2011, pp.249-265.

[27] F. Marcelloni, M. Vecchio, “A simple algorithm for data compression inwireless sensor networks”, IEEE Communicat ions Letters, Vol. 12, No.6, June 2008, pp. 411- 413.

[28] C.M. Sadler, M. Martonosi, “Data compression algorit hms for energyconstraineddevices in delay tolerant networks”, Fourth Int ernat ionalConference on Embedded Networked Sensor Sy

23