تخمین ساختار شبکه توزیع‌شده با استفاده از روش‌های اجماع ۲۰۲۲
Distributed Network Structure Estimation Using Consensus Methods 2022

حوزه‌ی تشخیص و تخمین در یک شبکه‌ی حسگر بی‌سیم توزیع‌شده (WSN) کاربردهای متعددی دارد، از جمله مراقبت نظامی، پایداری، پایش سلامت، و اینترنت اشیا (IoT). در مقایسه با یک شبکه‌ی حسگر متمرکز سیمی، یک شبکه‌ی حسگر بی‌سیم توزیع‌شده مزایای بسیاری دارد، از جمله مقیاس‌پذیری و مقاومت در برابر خرابی گره‌های حسگر. در این کتاب، ما به مسئله‌ی تخمین ساختار شبکه‌های حسگر بی‌سیم توزیع‌شده می‌پردازیم. ابتدا، یک مرور ادبیات در زمینه‌های زیر ارائه می‌دهیم: (الف) نظریه‌ی گراف؛ (ب) تخمین مساحت شبکه؛ و (ج) الگوریتم‌های توافق موجود، از جمله توافق میانگین و توافق حداکثر. دوم، یک الگوریتم توزیع‌شده برای شمارش تعداد کل گره‌ها در یک شبکه‌ی حسگر بی‌سیم با کانال‌های ارتباطی نویزی معرفی می‌شود. سپس، یک الگوریتم تخمین توزیع درجه‌ی شبکه (DNDD) توصیف می‌شود. الگوریتم DNDD بر پایه‌ی توافق میانگین و تخمین تابع جرم تجربی درون شبکه است. در نهایت، یک الگوریتم کاملاً توزیع‌شده برای تخمین مرکز و ناحیه‌ی پوشش یک شبکه‌ی حسگر بی‌سیم توصیف می‌شود. الگوریتم‌های معرفی‌شده برای اکثر شبکه‌های توزیع‌شده‌ی متصل مناسب هستند. عملکرد الگوریتم‌ها به صورت نظری تحلیل می‌شود و شبیه‌سازی‌هایی برای اعتبارسنجی نتایج نظری انجام و ارائه می‌شوند. در این کتاب، ما همچنین شرح می‌دهیم که چگونه می‌توان از الگوریتم‌های معرفی‌شده برای یادگیری اطلاعات داده‌ی سراسری و ناحیه‌ی داده‌ی سراسری استفاده کرد.

The area of detection and estimation in a distributed wireless sensor network (WSN) has several applications, including military surveillance, sustainability, health monitoring, and Internet of Things (IoT). Compared with a wired centralized sensor network, a distributed WSN has many advantages including scalability and robustness to sensor node failures. In this book, we address the problem of estimating the structure of distributed WSNs. First, we provide a literature review in: (a) graph theory; (b) network area estimation; and (c) existing consensus algorithms, including average consensus and max consensus. Second, a distributed algorithm for counting the total number of nodes in a wireless sensor network with noisy communication channels is introduced. Then, a distributed network degree distribution estimation (DNDD) algorithm is described. The DNDD algorithm is based on average consensus and in-network empirical mass function estimation. Finally, a fully distributed algorithm forestimating the center and the coverage region of a wireless sensor network is described. The algorithms introduced are appropriate for most connected distributed networks. The performance of the algorithms is analyzed theoretically, and simulations are performed and presented to validate the theoretical results. In this book, we also describe how the introduced algorithms can be used to learn global data information and the global data region.