طريقة فعالة لجمع البيانات بناءً على التنبؤ لشبكات المستشعرات اللاسلكية باستخدام تجميع غامض هجين وشبكات عصبونية عميقة ماكس أوت محسنة

مستشعرات أذكى لعالم مترابط

من المزارع الذكية إلى مراقبات جودة الهواء على مستوى المدينة، تراقب المستشعرات اللاسلكية محيطنا بهدوء وتغذّي بيانات إلى إنترنت الأشياء. لكن الأجهزة الصغيرة التي تعمل بالبطاريات لا تستطيع إرسال كمية كبيرة من المعلومات قبل أن تنفد طاقتها. تستكشف هذه الورقة طريقة جديدة لتنظيم وتوجيه والتنبؤ ببيانات المستشعرات بحيث تدوم الشبكات لفترة أطول، وتقلل من الإرسال غير الضروري، وتظل تقدم قراءات دقيقة عن البيئة التي تراقبها.

لماذا تحتاج شبكات المستشعرات إلى تحسين

قد تنتشر شبكات المستشعرات الحديثة مئات أو آلاف الأجهزة عبر حقل أو مبنى أو مدينة. يقيس كل مستشعر متغيرات مثل الحرارة أو الرطوبة ويحول تلك البيانات إلى محطة مركزية. إذا تحدث كل مستشعر طوال الوقت، تستنزف البطاريات بسرعة وتنهار الشبكة. تحاول الأساليب الحالية تجميع المستشعرات في عنقود وتخطيط مسارات للرسائل، لكنها غالبًا ما تتغاضى عن مسائل دقيقة مثل تداخل المناطق، أو التغيرات المفاجئة في الظروف، أو حدود البطاريات والمعالجات الصغيرة. والنتيجة هي هدر للطاقة، وأحمال عمل غير متوازنة، وفرص ضائعة للتنبؤ بما سيحدث لاحقًا بدلًا من السؤال المستمر لكل مستشعر عن التحديثات.

تجميع لطيف ومسارات ذكية

يقترح المؤلفون إطارًا يعالج هذه النقاط الضعيفة خطوة بخطوة. أولًا، يجمعون المستشعرات المجاورة باستخدام مفهوم انتماء ناعم أو «غامض»: يمكن للمستشعر أن ينتمي جزئيًا إلى أكثر من عنقود، ما يعكس تخطيطات العالم الحقيقي الفوضوية أفضل من الحدود الصارمة. داخل كل عنقود، هناك عقدة خاصة تُسمى رأس العنقود تجمع وتعيد توجيه البيانات. إن اختيار هذه العقدة بحكمة مهم لأنها ستستهلك طاقة أكثر من الجيران. لاختيارها يستخدم النظام خوارزمية مستوحاة من سلوك صيد البيرانيا الحمراء. تبحث عبر العديد من القادة المحتملين وتفضل العقد التي لا تزال تملك طاقة كافية، وتقع قرب مركز مجموعتها، ولديها عدد معقول من الجيران، وليست بعيدة جدًا عن محطة القاعدة. هذا التوازن المدروس يوزع عبء العمل ويساعد الشبكة على البقاء لفترة أطول.

إيجاد مسارات موفرة للطاقة بشكل ديناميكي

بمجرد اختيار رؤوس العنقود، التحدي التالي هو كيفية انتقال الرسائل من هذه القادة إلى محطة القاعدة. هنا يتحول الإطار إلى استراتيجية أخرى مستوحاة من الطبيعة، مبنية على طريقة صيد الفقمات الفهدية. يستكشف هذا الأسلوب للتوجيه العديد من المسارات الممكنة، ثم يركز تدريجيًا على تلك التي تحافظ على قفزات قصيرة، وتتجنب العقد المزدحمة، وتفضل الأجهزة ذات الطاقة المتبقية الأعلى. من خلال التكيف المستمر مع مستويات البطارية وحالة الحركة في الشبكة، يختار مسارات تقلل التأخير وتخفف من احتمال أن تموت بعض المستشعرات غير المحظوظة مبكرًا بينما تبقى أخرى خاملة إلى حد كبير.

تعليم الشبكة التنبؤ بدلًا من الثرثرة

حتى مع التجميع والتوجيه الفعالين، فإن الإرسال المستمر للقياسات الخام مكلف. لتقليص الرسائل غير الضرورية، يضيف المؤلفون نموذج تعلم عميق يُسمى الشبكة العصبية العميقة ماكس أوت. قبل التدريب، ينظف النظام البيانات، ويملأ القراءات المفقودة، ويُخفف الضوضاء، ويُقَيِّم قيم الحرارة والرطوبة إلى مقياس موحد. ثم تتعلم الشبكة العصبية الأنماط عبر الزمن بحيث يمكن لمحطة القاعدة في كثير من اللحظات أن تتوقع بدقة ما كان سيبلغه مستشعر ما. فقط عندما يكون من المحتمل أن تختلف القراءة الحقيقية اختلافًا كبيرًا عن التنبؤ يرسل المستشعر البيانات فعليًا. هذا يحول الشبكة إلى نوع من «المراقب الصامت»—يتحدث أقل، لكنه لا يزال يحتفظ بصورة دقيقة عن الظروف.

اختبار الإطار

لرؤية مدى فعالية هذا النهج المدمج، بنى الباحثون شبكة افتراضية كبيرة تضم 1500 مستشعر واستخدموا تسجيلات حقيقية للحرارة والرطوبة كمدخلات. قارنوا طريقتهم بعدة بدائل شائعة، بما في ذلك نماذج تعلم عميق أخرى وخطط تجميع مختلفة. عبر مجموعة من الإعدادات، استخدم الإطار الجديد طاقة أقل، وكتم ما يصل إلى حوالي 98–99 في المئة من عمليات الإرسال الممكنة، وحافظ على أخطاء تنبؤ منخفضة جدًا. كما حافظ على عدد أكبر من المستشعرات الحية ومقدار طاقة متبقية أعلى على مدى جولات اتصال عديدة، وحقق حمل اتصال أقل وعدد حزم أقل مرسلة، حتى مع زيادة عدد العقد.

ما معنى ذلك للتكنولوجيا اليومية

بعبارات بسيطة، توضح هذه الدراسة كيف يمكن لمزج التجميع الذكي، واستراتيجيات بحث مستوحاة من الطبيعة، والتعلم العميق الحديث أن يجعل شبكات المستشعرات أكثر نحافة وموثوقية. من خلال السماح للمستشعرات بإرسال رسائل أقل لكن أكثر معنى—ومن خلال اختيار القادة ومسارات البيانات بعناية—يمدد النظام المقترح عمر الشبكة بشكل كبير مع الحفاظ على جودة البيانات. للمستخدمين اليوميين، قد يترجم ذلك إلى مستشعرات مزارع تعمل لسنوات دون تغيير البطاريات، ومراقبات مبانٍ تراقب بهدوء مع فشل أقل، وتدفقات بيانات أكثر موثوقية تدعم الجيل التالي من الأجهزة المتصلة.

الاستشهاد: Padmini Devi, B., Gunapriya, D., Sivaranjani, S. et al. An efficient prediction based data collection method for wireless sensor networks using hybrid fuzzy clustering and optimized deep maxout neural networks. Sci Rep 16, 13851 (2026). https://doi.org/10.1038/s41598-026-42380-8

الكلمات المفتاحية: شبكات المستشعرات اللاسلكية, توجيه موفر للطاقة, تنبؤ بيانات إنترنت الأشياء, الشبكات العصبية العميقة, تحسين ميتاهيرستيك