--- type: paper slug: gerard-kponhinto-2023-bio-inspired-cluster-tree-wsn title: >- Bio-inspired Solution for Cluster-Tree Based Data Collection Protocol in Wireless Sensors Networks authors: - '[[gerard-kponhinto]]' - '[[abdelhak-mourad-gueroui]]' - '[[ousmane-thiare]]' - '[[sondes-khemiri-kallel]]' - '[[ado-adamou-abba-ari]]' - '[[junseokhwang]]' year: 2023 venue: '[[ieee-ifip-noms]]' doi: 10.1109/NOMS56928.2023.10154279 categories: - '[[ict-industries]]' methods: - '[[network-simulation]]' - '[[meta-heuristic-optimization]]' - '[[artificial-bee-colony]]' - '[[bacterial-foraging-optimization]]' themes: - '[[wireless-sensor-networks]]' - '[[bio-inspired-algorithms]]' - '[[energy-efficiency]]' - '[[cluster-head-selection]]' last_updated: '2026-05-20T02:06:34+09:00' --- # Bio-inspired Solution for Cluster-Tree Based Data Collection Protocol in Wireless Sensors Networks *[[gerard-kponhinto]], [[abdelhak-mourad-gueroui]], [[ousmane-thiare]], [[sondes-khemiri-kallel]], [[ado-adamou-abba-ari]], [[junseokhwang]] (2023)* · [[ieee-ifip-noms]] · [DOI ↗](https://doi.org/10.1109/NOMS56928.2023.10154279) > WSN 의 cluster head selection 과 cluster formation 은 NP-hard 문제. 본 연구는 *Artificial Bee Colony (ABC)* 의 exploration 강점과 *Bacterial Foraging Optimization (BFO)* 의 swarming step 의 exploitation 강점을 결합한 *Hybrid Bio-Inspired Protocol (HBIP)*. OMNeT++ 6.0pre15 + INET 4.3.6 시뮬레이션, 50 노드, 100×100 m² field, $E_0$=0.5J. 결과: HBIP 가 LEACH/ABC/BFO 대비 우월. *Network lifetime*: ABC +16.91%, BFO +35.31%, *LEACH +69.51%*. *BS 도달 패킷*: ABC +7.26%, BFO +19.43%, *LEACH +84.40%*. 3000 rounds 에너지 소비 6.42% (ABC) ~ 9.02% (BFO) 감소. PASET-RSIF 지원 아프리카-한국 협력 연구. - **RQ**: WSN 의 cluster-tree 기반 데이터 수집에서 *cluster head selection* (NP-hard) 을 효율화할 hybrid meta-heuristic 결합은 무엇인가? - **방법론**: [[network-simulation]] (OMNeT++ 6.0pre15 + INET 4.3.6), [[meta-heuristic-optimization]] (ABC + BFO 결합), [[artificial-bee-colony]] (Karaboga 2005), [[bacterial-foraging-optimization]] (Passino 2002) 의 swarming step - **데이터**: 시뮬레이션 환경, 50 노드 균등 랜덤 배치, 100×100 m² field, BS at (50, 0), $E_0$=0.5J, $E_{elec}$=50nJ/bit, $E_{DA}$=5nJ/bit, $E_{fs}$=10pJ/bit/m², $E_{amp}$=0.0013pJ/bit/m⁴, $\alpha=\beta=0.5$ (fitness function) - **주요 발견**: HBIP 가 LEACH/ABC/BFO 4 metric 모두 우월. Network lifetime: ABC +16.91% / BFO +35.31% / LEACH +69.51%. Packets at BS: ABC +7.26% / BFO +19.43% / LEACH +84.40%. 3000 rounds 에너지 소비: ABC -6.42% / BFO -9.02% / LEACH 는 751 rounds 에서 이미 사망. HBIP 가 ABC·BFO 의 local minimum trap 극복. - **시사점**: 생체 모방 알고리즘의 *exploration-exploitation 균형* 향상 = WSN 에너지 효율의 핵심. ABC 단독은 exploration 강·exploitation 약 (Karaboga 2005), BFO 단독은 반대. *Swarming step 통합*이 양 강점을 동시 활용. IoT·환경 모니터링·농업·헬스케어 응용 가능. ![Bio-inspired 클러스터-트리 WSN 데이터 수집 — 50 노드 네트워크 성능 (energy, lifetime, throughput, packets at BS).](/papers/202305_KponhintoG_Bio_inspired_Solution_for_Cluster_Tree_Based_Data_Collection_Protocol_in_Wireless_Sensors_Networks/fig1.jpeg) ## 요약 WSN (Wireless Sensor Networks) 의 데이터 수집은 *cluster-tree architecture* 가 효율적이라는 합의 [4-12]. 그러나 *cluster head (CH) selection* 과 *cluster formation* 은 NP-hard 문제이며 CH 가 에너지 소비의 *siege* — 효율적 CH 선택이 네트워크 수명을 결정. 기존 접근: classical (CTDGA, CIDT, VELCT, CTDD) 은 random·non-uniform CH 분포·낮은 에너지 효율; fuzzy logic (CTRDC, CTEEDG) 는 random CH; meta-heuristic (ARBIC, ABC-SD, BFO, HABC-MBOA) 가 가장 promising 하나 *exploration-exploitation 균형* 부재 — ABC 는 exploration 강·exploitation 약, BFO 는 반대 (Table I). 저자들은 두 알고리즘의 *강점 결합 hybrid* — *HBIP (Hybrid Bio-Inspired Protocol)* 를 제안. ABC 의 employed bee 단계와 onlooker bee 단계에 *BFO 의 swarming step* 을 삽입 (Algorithm 2, 3). Swarming step (Eq. 4) 은 *cell-to-cell signaling* — 높은 nutrient 환경의 박테리아가 attractant 신호를 방출해 다른 박테리아를 모음, hostile 환경에선 repellent. 이를 통해 ABC 의 *local optimum trap* 을 회피하고 *global exploitation* 강화. 네트워크 모델: $N$ sensors 균등 랜덤 배치, BS 는 경계, 동질 노드 with 동일 초기 에너지, symmetric communication, 위치 인지. First-order radio energy model (Heinzelman et al. 2000, Eq. 1): $E_{tx} = b(E_{elec} + E_{fs} \cdot d^2)$ if $d \le d_0$ else $b(E_{elec} + E_{amp} \cdot d^4)$. CH 추가 비용: $E_T(CH) = E_{tx} + E_{rx} + b \cdot E_{agg}$. HBIP fitness function (Eq. 8): $f(X_i) = \alpha \cdot f_1 + \beta \cdot f_2 + J_{cc}$, 여기서 $f_1$ = CH 잔류 에너지 역수 합 (최대화), $f_2$ = intra-cluster 거리 평균 (최소화), $J_{cc}$ = swarming 효과, $\alpha=\beta=0.5$. 시뮬레이션 결과 (OMNeT++ 6.0pre15 + INET 4.3.6, 50 노드, 100×100 m², BS at (50,0), $E_0=0.5$J, 500 iterations): HBIP 가 ABC·BFO 보다 *빠르게 수렴*하고 *낮은 global minimum* 달성 (local optimal trap 회피). *Energy consumption* (Fig 1b, 3000 rounds): HBIP -6.42% vs ABC, -9.02% vs BFO, LEACH 는 751 rounds 에 모든 노드 사망. *Network lifetime* (FND, Fig 1d): HBIP +16.91% vs ABC, +35.31% vs BFO, *+69.51% vs LEACH*. *Throughput* (Fig 1e) & *packets received at BS* (Fig 1f): HBIP +7.26% vs ABC, +19.43% vs BFO, *+84.40% vs LEACH*. 일관된 우월성은 *exploration-exploitation 균형* 의 효과. 함의: 생체 모방 hybrid 메타휴리스틱이 WSN 에너지 효율의 가장 효과적 접근. ABC + BFO 의 *상호 보완 결합* 패러다임은 *IoT 인프라* (산업·농업·헬스케어·환경 모니터링) 에 응용 가능. 본 작업은 [[junseokhwang]] 의 *Global R&DB Center* 가 PASET (Partnership for Skills in Applied Sciences) RSIF 프로그램으로 지원한 *아프리카-한국 협력 박사 연구* — 세네갈 (Gaston Berger U), 카메룬 (U Maroua), 프랑스 (Paris-Saclay UVSQ), 한국 (SNU) 의 다국적 팀. [[junseokhwang]] 의 신흥국 ICT 협력 라인의 대표 사례. ## 핵심 결과 | Metric (3000 rounds) | HBIP | vs ABC | vs BFO | vs LEACH | |---|---|---|---|---| | Energy consumption | (baseline) | -6.42% | -9.02% | 비교 불가 (751 r 에 사망) | | Network lifetime (FND) | (baseline) | +16.91% | +35.31% | **+69.51%** | | Packets received at BS | (baseline) | +7.26% | +19.43% | **+84.40%** | | Throughput | (baseline) | 우월 | 우월 | 우월 | (50 노드, 100×100 m², BS at (50,0), $E_0=0.5$J, 500 convergence iterations. INET 4.3.6.) ## 방법론 노트 ABC (Karaboga 2005): 꿀벌 채집 행동 모방. 3 그룹 — employed bees (food source 탐사), onlookers (employed 의 정보 평가 후 추적), scouts (탐색). Food source = 해. SN = solution number = employed/onlooker 수. BFO (Passino 2002): E. coli 영양분 탐색 모방. 4 operations: chemotaxis (작은 step 이동), *swarming* (cell-to-cell signaling), reproduction, elimination-dispersal. Swarming step (Eq. 4): $$ J_{cc}(\theta, P(j,k,l)) = \sum_{i=1}^{N} \left[ -d_{at} e^{-\omega_{at} S_i} \right] + \sum_{i=1}^{N} \left[ h_{rep} e^{-\omega_{rep} S_i} \right] $$ 여기서 $S_i = \sum_{m=1}^{p} (\theta_m - \theta_m^i)^2$, $\theta$ 박테리아 집단, $\theta^i$ i번째 박테리아, $d_{at}/\omega_{at}$ attractant 파라미터, $h_{rep}/\omega_{rep}$ repellent 파라미터. HBIP 알고리즘 (Algorithm 2): 초기 $X_i$ 집단 → repeat: (i) *Employed Bees Phase* — ABC position update + *BFO swarming step 삽입*, (ii) probability $Prob_i$ 계산, (iii) *Onlooker Bees Phase* — ABC update + swarming, (iv) Scout Bees Phase — local trial 초과 시 random replace, (v) 최선해 메모리; until Maximum Cycle. Fitness (Eq. 8): $$ f(X_i) = \alpha \cdot f_1 + \beta \cdot f_2 + J_{cc}, \quad f_1 = \sum_{l=1}^d \frac{1}{E_l^{CH}}, \quad f_2 = \frac{1}{m} \sum_{i=1}^m \sum_{l=1}^d d(s_i, CH_l) $$ $\alpha + \beta = 1$, $\alpha = \beta = 0.5$ 동등 가중. $d$ = CH 수, $m$ = cluster member 수, $E_l^{CH}$ = CH $l$ 잔류 에너지, $d(s_i, CH_l)$ = sensor $s_i$ 에서 CH $l$ 까지 유클리드 거리. ## 연구 계보 Heinzelman et al. (2000) 의 LEACH (Low-Energy Adaptive Clustering Hierarchy) — WSN 클러스터링 시조. Karaboga (2005) 의 ABC, Passino (2002) 의 BFO — 양대 swarm intelligence 메타휴리스틱. Cluster-tree WSN 알고리즘 series: Yang et al. (2012) CTDGA, Velmani & Kaarthick (2014) CIDT/VELCT, Bagga et al. (2015) CTDD (classical); Kalaivanan & Bhanumathi (2018) CTRDC, Karunanithy & Velusamy (2020) CTEEDG (fuzzy logic); Sabor et al. (2018) ARBIC, Ari et al. (2016) ABC-SD, Lalwani & Das (2016) BFO, Rambabu et al. (2019) HABC-MBOA (meta-heuristic). 본 연구는 *ABC + BFO swarming step* 결합으로 기존 meta-heuristic 의 *exploration-exploitation 불균형* 극복. Effah et al. (2020) 의 *agricultural IoT*, Pitchaimanickam & Murugaboopathi (2020) 의 *firefly + PSO hybrid* 와 동시기 hybrid 메타휴리스틱 라인. [[junseokhwang]] 의 *4기 (2020-2023) 스마트시티·AI·지속가능 전환* 시기의 IoT·신흥국 ICT 협력 작업으로, *Global R&DB Center* 의 PASET-RSIF 프로그램 (아프리카·중동 박사 학생 지원) 의 첫 산물. ## See also - [[junseokhwang]] - [[gerard-kponhinto]] - [[ieee-ifip-noms]] - [[wireless-sensor-networks]] - [[bio-inspired-algorithms]] - [[internet-of-things]] - [[meta-heuristic-optimization]] - [[gerard-kponhinto-2025-sns-data-collection-iot]] - [[gerard-kponhinto-2025-hybrid-bio-iot]]