基于学习的堆叠与缓存以提高无线传感器网络的网络寿命

1 | 引言

本研究依赖于一个有效的问题，即如何利用深度学习方法通过在传感器节点（SN）之间采用更优的路由策略来提高无线传感器网络（WSN）的网络寿命。几十年来，已有多种现有方法针对这一特定问题提出了相应的解决方案。

传感器节点在运行一段时间后可能进入空闲状态，从而降低网络寿命。因此，网络聚类的概念在这方面发挥了有效作用。

通常，基于多跳通信，靠近基站的传感器节点被认为处于过载状态，因为它们作为基站与其他传感器网络之间的中间节点，负责将数据转发至基站。

这种情况出现在热点危机中，靠近汇聚节点的传感器节点（SN）可能需要传输自身数据以及其它节点的数据，这可能会导致传感器网络性能急剧下降。此外，本研究还受到无线传感器网络（WSN）中汇聚节点移动性研究方向的启发，旨在妥善处理热点问题，并降低能量通信中的开销。传统上，汇聚节点需要访问每个簇头（CH）以收集数据，这会导致移动汇聚节点路径的长时间遍历，从而在数据传输过程中引起延迟和更高能耗。为此，所提出的LSC基于深度学习模型实现。本文提出的方法仅在簇头（CH）通过消息包发出数据收集请求时，才安排汇聚节点进行访问。此外，路径遍历建模以确定最短路径被认为是一项具有挑战性的任务。该任务高度依赖于网络覆盖、网络寿命、能量效率和数据传输。

从现有模型来看，刘将路由协议与无线传感器网络中的神经网络过程相结合，并将簇内节点视为神经网络输入；该方法可对数据进行分类并提取簇头节点的数据特征。这可能会减少数据传输量并降低网络能耗。刘提出了基于自编码的数据融合方法，并建立了两种不同的融合模型以提取数据特征。黄等指出，数据融合最初是为了建立LEACH协议中的数据传输而提出的。在不同层次上采用多种数据融合方法来去除异常数据，从而减少数据转发总量，并提高网络中的数据准确性。基于此，LEACH是一种传统的聚类路由协议，可将数据传输与聚类阶段分开。由于簇头节点执行数据融合任务并消耗较多能量，随机的簇头选择可能导致个别节点过早死亡，从而缩短网络寿命。为了降低路由过程中的能耗并延长网络寿命，本文提出了一种基于深度学习模型的无线传感器网络路由协议算法。

此外，为了应对拥塞危机，在无线传感器网络中广泛采用主动方式的缓存技术。缓存数据包可以提升无线传感器网络的性能，包括网络流量、分组交付延迟和数据传输。目前，基于深度学习预测高数据流行度的缓存方法受到了研究人员、工业界和学术界的广泛关注。数据流行度可通过深度学习自动确定，该方法能够发现数据并利用规则识别未知数据。因此，缓存可显著提高无线传感器网络的网络寿命和资源利用率。

因此，本研究提出了一种基于编码器学习的高效堆叠与缓存方法，用于无线传感器网络中预测数据流行度。首先，该功能在汇聚节点、控制节点和路由器中的虚拟硬件资源上实现。随后，利用虚拟硬件资源构建基于编码的分布式网络。接着，网络控制器与无线传感器网络中的全局缓存协同工作。在网络层面，控制器可动态感知缓存信息，并周期性地收集用户数据包以响应信息请求。这些实时和历史分组信息被提供给分布式网络，最终用于路由过程中的数据流行度预测；通过数据流预测，网络控制器可制定缓存策略，并通过流表将其与SN缓存同步，从而执行堆叠和缓存操作。本研究的主要贡献如下：

• 首先，进行网络建模作为初步过程。然后，在网络的簇之间建立路由，并实现带有编码器的堆叠。
• 接着，为了延长网络寿命，在SN中实施缓存策略，该策略与使用基于数据流行度的通信的控制器缓存集成。
• 最后，通过NS-2模拟器进行仿真，以提供改进的路由设计和网络寿命。并与LEACH和A-LEACH等现有协议进行了比较。

本工作的结构如下：第2节提供与路由和网络寿命改善因素相关的背景研究，第3节详细说明基于学习方法的编码器堆叠与缓存策略。第4节展示了为获得更好性能指标而进行的数值结果与实验。最后，第5节给出了所提出的模型的结论以及未来研究方向。

2 | 相关工作

2.1 | 平面路由协议综述

在此，每个网络节点具有相似的角色并执行类似的任务。萨拉和马哈茂德提出了一种称为信任与能量感知的代理迁移的动态分布式结构化协议，其中利用代理来根据信任和能量指标计算，为传感器节点之间的数据聚合提供路由。每个代理是可自主决定的代理，能够在传感器之间生成自主数据聚合。为保护代理免受恶意传感器节点侵害，该框架为代理提供基于信任的评估，并克服恶意节点问题。此外，该框架还结合能量指标和克隆技术，为来自传感器节点的数据聚合提供优化迁移路径。此外，预期的结构可辅助移动代理的路由，且响应时间更短。

德甘特等人提出了能量感知异构AODV，以实现网络中资源的有效利用。该协议通过抑制所有传感器节点的能量状态来生成优化路由协议，从而在异构网络之间实现负载均衡。一些可能消耗较少能量的路径被视为来自现有路由表的数据通信路由。此后，所有传感器节点均了解瞬时能量水平变化。此外，连接感知动态阈值可消除耗尽路径并降低能量水平。然而，该协议存在较高开销，并可能导致网络中的能量耗尽危机。

2.2 | 分层路由协议综述

它被称为聚类路由协议。在此，所有节点被划分为称为簇的节点组。每个簇可以选择一个簇头节点，负责向基站传输数据。贾亚帕尔等人提出了一种自适应移动免疫节能协议，并解决了基于能量的问题。该方法利用自适应免疫概念来确定移动汇聚节点的路径。同时，最优簇头数量取决于有利位置和耗散能量。该算法在汇聚节点辅助下运行。

移动汇聚节点对于从孤立区域的簇头收集数据至关重要，可增强网络连通性。但由于负载均衡危机，该方法可能无法完全解决空洞危机。

斯米斯描述了一种称为延迟约束能量多跳的分布式聚类方法，其中簇头以分布式方式选择。在此方法中，基站使用AODV协议在传感器网络节点中启动消息广播。随后，每个节点可利用接收信号强度模型评估基站与自身之间的距离。接着，每个传感器节点向邻近传感器节点广播包含能量水平和标识的通告消息；因此，所有传感器节点在接收到通告消息时可获取并评估能量水平信息。当能量水平较高时，传感器节点可成为候选簇头；否则，其将作为簇成员。此外，候选簇头可通过发送通告消息的过程被选为簇头。具有相似能量水平的每个候选簇头需通过评估延迟和能量值来处理。评估完成后，候选簇头会等待延迟和能量值以接收通告消息；否则，其将被确定为簇头。

此外，该协议采用带代价的簇间多跳路由，实现从基站到簇头的代价路由。该协议未考虑簇内簇间多跳路由中簇头之间的最优簇头位置，导致能耗较高。

上述研究主要集中在无线传感器网络的能量效率上，这些研究在解决各种研究问题方面表现出局限性和优势。

在现有模型中，簇头对向基站的数据传输承担更高责任，并直接依赖簇头。簇头可能通过消耗大量能量直接向基站传输数据，且簇头位置远离基站，因而在向基站传输簇数据时需要消耗能量。这种情况可能导致远离基站的先前簇头能量过早耗尽。此外，在DCEM、DUSOC和CAMP等多种策略中，可通过簇间多跳方式将数据传送到基站。

靠近汇聚节点的簇头可持续地向基站转发数据。因此，簇头之间的不规则负载分布会导致能量资源快速耗尽，进而破坏数据传播并产生路由空洞。簇头节点选择与轮换机制负责若干关键特性。

因此，基于簇头的网络覆盖在向簇头进行数据广播时可能会消耗更多能量。最优簇头位置对于改善簇间网络覆盖至关重要。最优簇头位置必须识别出能量密度节点所在的位置；因此，簇头负责轮换并大量消耗能量。上述方法中讨论了这些问题，其中一些主流的聚类策略可增强簇间多跳过程，以减轻簇头负载。综合考虑以上因素，必须结合学习过程建立一种有效的路由方法，以提高网络寿命。

3 | 预备知识

本节详细讨论了网络建模。 展示了用于路由及其他评估指标的网络建模流程图。图1下方展示了该过程在簇头选择、数据传输以及路由所考虑的总轮数中的工作方式。

3.1 | 网络模型

在对无线传感器网络进行建模时，考虑了以下假设。

• 数据聚合只能通过汇聚节点完成。
• 所有汇聚节点和传感器节点在本质上都是静止不动的。
• 根据异构传感器节点的特性，节点被划分为普通、中间和高级三种类型。
• 汇聚节点可能作为超级节点存在，它掌握着关于传感器节点的全部信息。
• 它负责自适应簇头形成，以实现传感器节点到汇聚节点之间的数据通信。
• 数据通过簇头使用的间接通信技术进行广播。

3.2 | 能量消耗模型

为了验证所提出模型的效率，考虑了能量消耗模型。无线电在广播消息到特定距离时消耗能量，如公式1所示：

$$
E_{tx}(l,d) = E_{tx-ele}(l) + E_{tx-amp}(l,d)
$$

这里，阈值使用公式2计算：

$$
d_0 = \sqrt{\frac{\epsilon_{fs}}{\epsilon_{amp}}}
$$

在从传感器节点接收消息时，无线电消耗的能量如公式3所示：

$$
E_{rx}(l) = E_{rx-ele}(l) = E_{ele} \cdot l
$$

其中，tx 是发射器，rx 是接收器，l 是每条消息的比特数，d 是距离。

3.3 | 簇形成

考虑使用阈值函数从给定的传感器节点中选择簇头。此处，概率根据剩余能量均值和无线传感器网络距离进行评估，如 所示。汇聚节点与传感器节点之间的距离如公式4所示：

$$
d(j) = \frac{\sum_{i=1}^{N} W(i) \cdot D}{N}
$$

其中，$ d(j) $ 是距离，$ W(i) $ 是 SN 距离。D 使用 $ W(k) $ 和 $ W(i) $ 之间的欧几里得距离计算，如公式5所示：

$$
D = \sqrt{(W(i):x - W(sk):x)^2 + (W(i):y - W(sk):y)^2}
$$

这里，Sk是汇聚节点，(x,y)为W(i)坐标。第j轮的剩余能量按公式6计算：

$$
e_r(j) = \frac{\sum_{i=1}^{N} W(i) \cdot E}{N}
$$

这里，N 和 E 分别表示 W(i)节点数量 和 能量。在每一轮中，SN 需要决定 簇头 的选择。簇头选择 通过 阈值函数 进行。其表达式如 公式7 所示：

$$
T_n(i) =
\begin{cases}
\frac{p_i}{1 - p_i \% 1} & \text{if } W(i) \in G \
0 & \text{else}
\end{cases}
$$

这里，G提供了每1/p轮次中关于簇头选择的信息。p是选择簇头的概率。簇头形成如公式8所示：

$$
CH(i) =
\begin{cases}
1 & \text{if } \text{rand}_i < T_n(i) \
0 & \text{else}
\end{cases}
$$

此处，randi为随机值。此外，此场景中考虑了无线传感器网络的异构性。因此，传感器节点成为簇头的可能性对于重新计算至关重要。

3.4 | 数学网络建模

网络由传感器节点（包括成员和簇头）以及簇间数据聚合过程组成。在此过程中，通过确定中间SN节点，利用从簇头到汇聚节点的聚合数据进行通信。传感区域由图模型β=(α, γ)表示，其中 α和 γ为传感器节点及其之间的距离。当选出簇头后，通信从簇头发起，目标区域定义为 μ: δ,μ ∈ α,δ ≠ μ，并在一定时间间隔内进行。数据聚合的目标是通过构建最短路径，将来自簇头的数据收集至汇聚节点。靠近传感器节点的簇头可逐级聚合数据，直至数据到达汇聚节点。该机制致力于在汇聚节点与簇头之间提供最短路径。考虑数据聚合与平均距离计算，以减少节点间的总距离，$\beta = \sum_{\tau \in \Theta} \tau \cdot \lambda$，其中 λ是Θ中簇头总数。

3.5 | 基于深度学习的建模

在此，使用深度学习方法对数据聚合与传输进行网络建模。其中，自动编码被用作一种广泛用于特征提取和数据降维的无监督学习模型。此处，网络模型的输出被认为与输入模型相同。

$$
L(W,b) = \frac{1}{m} \sum_{i=1}^{m} J(W,b,x^{(i)},y^{(i)}) + \frac{\lambda}{2} \sum_{i=1}^{s_i} \sum_{j=1}^{S_{j+1}} \sum_{l=1}^{n_i - 1} (W_{ij}^l)^2
$$

在学习方法中，编码可用于在启动训练过程之前确定初始权重矩阵区间。训练时需考虑一些参数（W,b），以降低如公式9所示的损失函数。基于上述参数，需进行输入输出均方偏差和计算。

$$
J(W, b, x^{(i)}, y^{(i)}) = \frac{1}{2} | h_{W,b}(x^{(i)}) - y^{(i)} |^2
$$

其中，$ h_{W,b}(x^{(i)}) $ 是网络输出向量，而 $ x^{(i)} $ 是样本输入向量，$ y^{(i)} $ 是第i个样本输出向量，m 是训练样本数量，$ n_l $ 是训练层数，s 是单元数量，$ W_{ij} $ 是单元 i 和 j 之间的连接权重，λ 是基于权重衰减的系数。此处使用反向传播算法进行编码。例如，$(x^{(i)}, y^{(i)})$，需要计算层的输出值，第l层中的残差单元n和隐藏层残差单元被计算，并且偏偏差也根据公式11–14进行测量：

$$
\delta_n^l = \frac{\partial}{\partial z_n^l} \frac{1}{2} | h_{W,b}(x^{(i)}) - y^{(i)} |^2 = - (y^{(i)}_n - a_n^l) f’(z_n^l)
$$

$$
\delta_n^{l-1} = f’(Z_n^{l-1}) \cdot \left( \sum_{i=1}^{S_i} W_{in}^{l-1} \delta_i^l \right)
$$

$$
\frac{\partial J(W,b,x^{(i)},y^{(i)})}{\partial W_{ij}^l} = (\delta_i^{l+1} a_j^l)^T
$$

$$
\frac{\partial J(W,b,x^{(i)},y^{(i)})}{\partial b_i^l} = \delta_i^{l+1}
$$

根据上述计算，通过偏导数和损失函数来确定最优网络参数。网络参数使用公式15和16进行更新：

$$
W_{ij}^l = W_{ij}^l - \eta \frac{\partial J(W,b,x^{(i)},y^{(i)})}{\partial W_{ij}^l}
$$

$$
b_i^l = b_i^l - \eta \frac{\partial J(W,b,x^{(i)},y^{(i)})}{\partial b_i^l}
$$

3.6 | 堆叠编码器

自编码过程非常浅显，提取原始网络特征的能力极差。更多的数据特征通过大量隐藏层来表达。基于自编码器（AE）的初步思想，无监督学习的深度学习引入了堆叠概念。模型构建如下所述。

考虑输入数据中的一个数据 $ x = {x^{(i)} | i = 1,2,…,m} $，其中隐藏层数量为 N，该数量是堆叠过程所必需的。初始网络层使用 x 进行训练，网络参数为 $ (W^{(1,1)}, b^{(1,1)}, W^{(1,2)}, b^{(1,2)}) $，并构造出隐藏层输出。这些输出被确定为第二层的输入，用于训练后续层。该训练过程重复进行，直到达到最大隐藏层数。单独训练获得的权重被确定为初始权重。网络权重转换为 $ (W^{(l,1)}, b^{(l,1)}) $，其被测量为第 l 层与第 l − 1 层隐藏层之间的权重。当 l 的值为 = 1 时，$ (W^{(l,1)}, b^{(l,1)}) $ 被视为隐藏层与输入层之间的权重参数，以完成堆叠建模。

该堆叠过程与无线传感器网络集成，用于执行特征提取和分类，以选择最优路由路径并提高数据传输准确性。

因此，所提出的模型在特征提取和分类方面的性能得到提升，这是该模型的主要因素。该堆叠过程与分类器的 softmax层融合，形成分类模型。设N为通过逐层方式获得训练样本的网络参数集合。

训练完成后，所提出的模型能够比原始输入数据提取出更精细的特征描述。随后，用提取的特征替换原始数据，并对独立数据集进行训练。在分类器模型中，softmax参数利用样本堆叠特征。所有网络参数均通过BP算法进行调整。

当与无线传感器网络集成时，传感器节点构建堆叠编码器以接收参数，并利用该参数从传感器数据中提取特征并传输至簇头。簇头使用分类器对数据进行合并并对特征进行分类。融合了提取特征的数据被提供给汇聚节点。因此，提取的特征数据被传输至汇聚节点，从而减少了延迟并提高了数据传输效率。当新节点加入簇时，将重复此过程，以验证节点失效、剩余能量及簇头选举。该过程将持续进行，直到汇聚节点计划构建新的簇为止。

3.7 | 学习模型的缓存

在为无线传感器网络构建学习方法时，必须预先确定某些参数，包括输入层的维度、隐藏层数量、每个隐藏层中的神经元数量以及激活层。此处使用若干数据组进行预测。假设时间轴上存在 t 个窗口滑动，窗口的基本单位为单个时隙。在各个窗口内，所有汇聚节点需上报空间分布的测量数据至汇聚节点。若数据缺失，则将相应数据视为零。

因此，将涉及多个时隙，从而包含时空信息。当时隙为 t 时，将产生 p * t 数据，可作为分类器的输入层。当窗口为 t > 1 时，预测可能包含时空数据相关性。测量数据可表示为 $ X_{i-1}, X_{i-2}, …, X_{i-t} $，其中 i 指定时隙，t 表示前一时刻。此后，利用过去的测量值预测未来数据。输入数据通常在内容流行度上具有时间依赖性。p * t 显示了无线传感器网络中汇聚节点的流量信息，这可能会降低网络寿命。此处考虑特定级别的数据流行度，因此 softmax 层也提供该级别。输出根据对应的数据流行度级别给出。信息收集实际上在汇聚节点中进行，而非直接从传感器节点收集，且可能发生变化。因此，传感器节点可能减少，这是由于传感器节点可能因各种原因与汇聚节点失去连接所致。这种情况类似于汇聚节点的数据为零，但不会影响网络结构，也不会影响预测结果。随后，当新的传感器节点加入无线传感器网络模型时，网络模型中可能形成一定的节点冗余。具有冗余节点的测量数据可在某一特定时隙内采用传感器测量值的平均值。

通常，控制器掌握节点的缓存状态。缓存信息包括每个节点的可用缓存空间和优先级级别。缓存的基本概念是保留高层级内容并替换低层级内容。所有这些信息都有助于未来的预测。控制器提供缓存策略，缓存节点负责执行缓存操作。这有助于减少资源浪费以及降低缓存节点之间的通信开销。缓存负责网络节点的维护与部署。当缓存策略更新时，路由表信息也会随之更新，并提供给无线传感器网络节点以实现同步。当路由表更新后，在数据包到达之前，路由信息会被插入到普通交换机路由表中。当高层级数据包到达时，数据将被缓存到分配的空间中。然而，当缓存空间不足时，低层级数据包将被替换。

在此情况下，缓存节点在路由和转发表缺失时仍能有效工作。当神经元输入信息不完整或缺失且数据噪声较高时，缓存策略仍能有效运行，并根据输入请求信息识别数据包。因此，所提出的模型表现出更高的效率。

4 | 数值结果与讨论

这里使用NS-2模拟器进行仿真。仿真平台运行在具有64 GB内存的Windows操作系统上。本研究的研究目标是通过减少缓存节点来利用缓存资源，并以不同速率增加存储。表1描述了所提出模型的参数集。

因此，缓存的评估标准包括缓存命中率和缓存路由数量减少。必须计算均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）等指标。这些指标的公式见公式17–21：

$$
CHR = \frac{\text{Cache hit}}{\text{Total request}}
$$

$$
HRR = \frac{\sum_{r=1}^{R} h_r(t)}{\sum_{r=1}^{R} H_r(t)}
$$

$$
RMSE = \sqrt{\frac{1}{N} \sum_{i=1}^{n} (o_i - p_i)^2}
$$

$$
MAE = \frac{1}{N} \sum_{i=1}^{n} |o_i - p_i|
$$

$$
MAPE = \frac{1}{N} \sum_{i=1}^{n} \frac{|o_i - p_i|}{o_i}
$$

这里，$ o_i $ 是观察到的数据包请求数量，$ p_i $ 是预测的数据包数量，N 是评估样本数，$ H_r(t) $ 和 $ h_r(t) $ 分别表示在时隙 $[t,t+k]$ 内从源和缓存节点请求数据包的跳数。CHR 表示用户在中间节点的命中次数与用户请求的数据包总数之比。

总请求是指节点中数据包的总请求数，缓存命中是指数据包请求命中缓存节点的总次数。当CHR较高时，缓存效率也更高。跳数减少率是指请求数据包命中缓存节点时的跳数与从请求数据包到源节点跳数的比值。均方根误差（RMSE）用于衡量实际值与预测值之间的误差率，平均绝对误差（MAE）用于衡量平均预测值的精确性，平均绝对百分比误差（MAPE）为相对误差。此处的误差率基于簇形成及簇内包含的节点计算，不会影响所提出模型的数据包投递率（PDR）。表2和 展示了所提出模型在不同时隙下的误差计算结果。为了在无线传感器网络中建立安全性，在误差计算过程中采用了时隙的随机特性。该比率在不同的SN（传感器节点）之间有所不同。传输轮转时间及用于误差计算的时隙按照时间顺序进行单次传输完成。此外，它还依赖于根据应用变化的拓扑条件。

此处通过LEACH和S-LEACH等现有方法对LSC模型的性能进行评估。能耗和网络寿命被视为本研究工作中最重要的性能指标。

表1 参数集设置

参数	值
仿真区域	200 * 200 米²
传感器节点数量	500
传感器节点初始能量	0.5 焦耳
通信范围	50 m
数据包大小	1500 比特
下沉速度	2、3、4 和 5 米/秒
部署	随机
学习参数	0.3、0.5、0.7 和 0.9

因此，降低所有簇头和汇聚节点的能耗至关重要。比较是根据以下指标进行的：

• 路由能耗 ：每个簇头在路由过程中可能会消耗一定的能量。不参与路由的簇头处于空闲状态以节省能量。
• 网络寿命 ：指从无线传感器网络开始运行状态到传感器节点死亡所消耗的时间。
• 数据包投递率 ：指生成的数据包与接收到的数据包之间的差值，数据包投递率中会出现数据丢失。
• 端到端（E2E）延迟 ：此处端到端延迟是根据数据包从簇头到达汇聚节点所经历的时间持续时间计算得出的。
• 误差计算 ：被视为分析簇操作的一种标准化度量方法。误差基于簇头在能量优化方面的性能。

仿真过程完成后，随着从初始节点到汇聚节点的距离增加，路由过程中的能耗降低。在路由中进行堆叠和缓存后的剩余能量也在表3和 中进行了测量。表4显示了LSC与LEACH和S-LEACH的能量消耗情况。表4描述了所提出的LSE与现有LEACH和S-LEACH在能耗上的比较。能耗的单位为焦耳。LSC相比LEACH平均能耗减少了4焦耳，相比S-LEACH减少了2焦耳。

如 所示，随着轮次的增加，所提出的LSC模型的能量消耗相比其他方法较低。当轮次增加时，节点可能会死亡，而LSC模型表现出最佳的通信链路，并且由于采用了表6和 中的缓存策略，LSC的数据包投递率高于其他方法。表5和 描述了所提出的LSE与现有LEACH和S-LEACH在网络寿命上的对比。传感器的寿命以秒和总轮数来衡量。此处考虑了五个不同的轮次：400、600、800、1000和1200。LSC在所有轮次中寿命均有所延长，平均比LEACH延长40秒，比S-LEACH延长20秒。表6描述了所提出的LSE与现有LEACH和S-LEACH在端到-end延迟上的对比。传感器的延迟以秒和总轮数来衡量。LSC在所有轮次中的延迟均有所降低，平均比LEACH减少5秒，比S-LEACH减少10秒。

表2 误差计算

时隙	平均绝对百分比误差 (%)	MAE	RMSE
2	24.74	12.91	23.78
4	22.67	11.88	20.90
6	21.1	12.94	19.23
8	23.63	14.93	22.54
10	25.31	15.27	24.72

表3 剩余能量

序号	簇大小	剩余能量
1	20	0.82
2	25	0.80
3	30	0.70
4	35	0.60
5	40	0.52
6	45	0.42

表4 能耗 (J)

序号	簇头	LEACH	S-LEACH	LSC
1	1	10	8	5
2	2	8	7	4
3	3	7	5	3
4	4	6	3	2
5	5	5	2	1

表5 网络寿命

序号	轮数	LEACH	S-LEACH	LSC
1	400	150	160	180
2	600	130	140	170
3	800	110	125	160
4	1,000	90	100	150
5	1200	70	80	140

表6 数据包投递率

序号	轮数	LEACH	S-LEACH	LSC
1	400	4	3	5
2	600	7	4	10
3	800	8	5	15
4	1000	10	6	20
5	1200	12	7	25

表7展示了所提出的LSE与现有LEACH和S-LEACH在PDR延迟方面的比较。LSC在所有轮次中的投递率平均比LEACH提高3%，比S-LEACH提高5%。表8展示了所提出的LSE与现有LEACH和S-LEACH在缓存大小方面的比较。LSC的存储率平均比LEACH提高15%，比S-LEACH提高5%。展示了端到-end投递，其中LSC比现有模型表现出更好的结果。通过实施缓存方法，LSC模型可能不会遭受数据包泛洪。缓存命中率和跳数减少率也在表9和中进行了测量。LSC的缓存内容以缓存大小衡量，如所示，以 kb为单位的数值在表8中给出。所提出的模型在CHR方面表现更优。每一轮的相对误差百分比见表10。

表7 端到-end延迟

序号	轮数	LEACH	S-LEACH	LSC
1	400	10	15	5
2	600	20	25	10
3	800	30	35	15
4	1000	40	45	20
5	1200	50	55	25

表8 缓存大小 (kb)

序号	缓存大小 (kb)	LEACH	S-LEACH	LSC
1	10	20	30	35
2	20	25	35	40
3	30	30	40	45
4	40	35	45	50
5	50	40	50	55

表9 CHR 和 HRR

缓存命中率	跳数减少率
10	20
25	25
32	26
45	28
55	27
63	28
65	30

表10 平均绝对百分比误差计算

序号	MAP (%)
1	60
2	30
3	28
4	25
5	24
6	26
7	35
8	39
9	40
10	50
11	62
12	78

在缓存空间中，缓存中的概率内容增加，缓存命中率也随之提高。此外，在恶劣网络中，误差计算起着关键作用。随着时间槽的增加，输入参数的维度也逐渐增加。当时隙从2增加到4时，输入参数的维度从400增加到800；因此，平均绝对百分比误差（MAPE）可能会显著降低。当该值达到1200时，MAPE达到最小值。同时，当时隙极小时，数据相关性可能无法体现；而当时隙过大时，又会包含无关的数据参数。这使得难以获得更优的用于学习表示的网络架构。基于以上所有分析，通过减少无线传感器网络（WSN）中的缓存节点并提升不同内容速率，利用缓存资源实现了研究目标。因此，评估标准如CHR和HRR在无线传感器网络（WSN）中可能显示出重要影响，如所示。

5 | 结论

本研究提出了一种基于学习方法的简单路由结构模型。在此模型中，传感器节点融合了堆叠和缓存概念，以应对无线传感器网络中的挑战，特别是在有效路由策略的预测和延长网络寿命方面。在对架构参数进行详细研究后，通过训练无监督模型获得预测模型。实验分析表明，所提出的模型相较于其他现有方法提供了更好的权衡。该工作可显著延长网络寿命，并利用堆叠与缓存模型解决路由问题，从而使系统性能明显高于现有模型。本文所提方法在网络寿命、缓存命中率、数据包投递率、延迟等方面与LEACH和S-LEACH等现有方法进行了比较。提取的数据特征有助于减少延迟并延长网络寿命。未来，该工作可进一步结合可用网络数据集与学习方法，以验证数据流并进行统计分析。