通过集成机器学习的自适应多跳路由提高无线传感器网络的能源效率和数据可靠性

无线传感器网络（WSN）在环境、医疗保健和智能城市等多个应用领域的监测和数据采集过程中发挥着重要作用。然而，WSN面临一些紧迫问题，包括能源限制、数据可信性以及在动态环境中工作的能力。因此，本文提出了一种基于机器学习的自适应多跳路由协议，并提出了一种新颖的架构，专注于解决这些挑战。自适应协议根据可用节点能量、链路质量和数据优先级，及时切换到最佳路径，机器学习估计最可能失败的节点，并根据剩余能量和链路质量等特征做出最佳路由决策。为了在能量消耗方面提供均衡负载，该框架定期包括流量负载均衡的元素。在NS-3上的实验表明，我们建议的框架在节点上的能量消耗降低了多达25%，数据包交付率提高了18%，网络生命周期比传统方法LEACH和定向扩散高出35%。这些结果表明，所提出的框架可以在下一代WSN的背景下广泛应用，以提高性能和使用寿命.