An Energy-Efficient Data Collection Protocol for IoT Networks Using Social Network Search Metaheuristic

Gerard Kponhinto, Ousmane Thiare, Sondes Khemiri-Kallel, Abdelhak Mourad Gueroui, Ado Adamou Abba Ari, 황준석 (2025) · IEEE Consumer Communications & Networking Conference · DOI ↗

IoT 센서 노드의 핵심 제약인 배터리 수명을 극복하기 위해 Social Network Search (SNS) 메타휴리스틱을 cluster head 선정에 적용한 SNS-DCP 프로토콜을 제안. SNS 는 인간 사회의 imitation · conversation · disputation · innovation 4 가지 mood 를 모방한 군집지능 알고리즘으로, control parameter 가 population size 와 iteration 두 개뿐이라 IoT 임베디드 구현에 적합. OMNeT++ INET 시뮬레이션에서 SNS-DCP 가 LEACH (Heinzelman 2000) · PSO-ECHS (Rao 2016) · PSO-UFC (Kaur 2018) 대비 네트워크 수명 +11~~47%, BS 수집 데이터 +43~~87% 향상.

RQ: IoT WSN 의 NP-hard cluster head 선정 문제에 Social Network Search 메타휴리스틱을 적용하면 LEACH·PSO 계열 baseline 대비 에너지 효율과 네트워크 수명을 개선할 수 있는가.
방법론: Social Network Search (SNS, Talatahari 2021), centralized clustering, weighted partition join, multi-hop transmission tree, free-space-path-loss-model 기반 에너지 모델 (Heinzelman 2000).
데이터: OMNeT++ + INET framework 시뮬레이션. 200×200m² 필드에 200 IoT nodes, BS 중앙 (100,100), 초기 에너지 0.5J, packet 4000 bits, $E_{elec}$ =50nJ/bit, $E_{fs}$ =10pJ/bit/m², $d_0$ =87m. CH 비율 5% (=10 PHs), 2,000 round, 100 SNS iteration.
주요 발견: SNS-DCP 가 baseline 대비 (i) 네트워크 수명 (HND, Half Nodes Died round) 에서 LEACH 대비 +47%, PSO-ECHS 대비 +42%, PSO-UFC 대비 +11% 개선. (ii) BS 수집 packet 수에서 LEACH 대비 +87%, PSO-ECHS 대비 +68%, PSO-UFC 대비 +43% 향상.
시사점: 사회 동학에서 영감 받은 SNS 가 IoT 자원 할당 문제에 PSO 변형보다 효과적인 대안. centralized 구조의 통신 overhead 가 한계로 남으며 후속 AI 기반 distributed 버전이 필요.

SNS-DCP 와 baseline 3종 (LEACH, PSO-ECHS, PSO-UFC) 의 round 별 alive node 수 비교. SNS-DCP 가 round 증가에도 가장 많은 node 를 생존시키는 것이 본 paper 의 핵심 성능 결과.

요약

황준석 의 5기 (개도국 ICT 혁신) 라인 중 PASET-RSIF (Pan-African Aluminum, Science, Engineering and Technology — Regional Scholarship and Innovation Fund) 지원 아프리카 IoT 협력 분기. 본 paper 는 Gerard Kponhinto 의 Paris-Saclay UVSQ 박사 라인 + Ousmane Thiare (세네갈 Gaston Berger U) + Ado Adamou Abba Ari (카메룬 Maroua U) 의 아프리카 ICT 협력 네트워크가 황준석 (SNU Global R&DB Center) 과 연결돼 산출된 작업으로, A Hybrid Biologically-Inspired Optimization Algorithm for Data Gathering in IoT Sensor Networks 와 자매.

IoT 네트워크의 핵심 제약은 IoT device 의 battery 가 finite & non-rechargeable 이라는 점이다. 따라서 cluster head (CH) 선정으로 통신 부하를 분산시키는 클러스터링이 표준 해법인데, CH 선정 자체가 NP-hard (Elhabyan & Yagoub 2014). LEACH 의 random CH 선정은 low-energy node 가 CH 가 되는 문제가 있고, PSO 변형 (PSO-C, PSO-ECHS, PSO-UFC) 들은 fitness function 의 일부 요소 (잔여 에너지, BS 거리, node degree) 를 다양하게 결합해 왔다. 본 paper 의 차별점은 (i) Social Network Search 메타휴리스틱 (Talatahari et al. 2021) 의 4 mood 기반 update rule 도입, (ii) population size + iteration 외 parameter tuning 불필요로 IoT 임베디드 적합성.

알고리즘은 3 phase. (i) PH (Partition Head) selection: BS 가 SNS 로 $S_p$ 개 솔루션 vector 를 진화시켜 fitness $f = \min_{g_i} LT(g_i, PH)$ 를 최대화 (Equation 8). 각 iteration 에서 4 mood 중 무작위 선택 후 vector update. (ii) Partition creation: non-PH node 가 weighted join cost (잔여 에너지 × LT 의 곱) 로 PH 선택. (iii) Multi-hop transmission tree: 각 PH 가 BS 방향의 next hop 후보 set $\mathcal{H}$ 구성, hop cost = $E_{Re}(PH_m) / (dist(PH_l, PH_m) \times dist(PH_m, BS))$ 최대화로 multi-hop routing. 마지막으로 OMNeT++ INET 으로 2000 round 시뮬레이션, 4 baseline 과 비교.

결과는 모든 metric (alive nodes, HND, energy consumption, BS 수집 packet) 에서 SNS-DCP 가 우위. 특히 BS 수집 packet 에서 LEACH 대비 +87% 는 SNS 의 explore-exploit balance 가 LEACH 의 random selection 보다 압도적이라는 것을 의미. 한계는 centralized SNS 가 BS-node 간 message exchange overhead 를 유발한다는 점 — 후속 작업은 federated learning 등 distributed AI 기법으로 overhead 감소를 목표.

핵심 결과

SNS-DCP vs baseline 3 종 (2000 round, 200 nodes 시뮬레이션):

Metric	SNS-DCP vs LEACH	SNS-DCP vs PSO-ECHS	SNS-DCP vs PSO-UFC
네트워크 수명 (HND round)	+47%	+42%	+11%
BS 수집 데이터 (packets)	+87%	+68%	+43%
Alive node 수 (long-run)	압도 우위	우위	약간 우위

핵심 시뮬레이션 파라미터: 200×200m², 200 nodes, BS 중앙, 초기 에너지 0.5J, packet 4000 bits, CH 비율 5% (10 PHs), 100 SNS iteration.
에너지 모델: Heinzelman first-order radio. $d < d_0 = 87m$ 시 $E_{Tx} \propto d^2$ (free space), 이상 시 $\propto d^4$ (multipath amp).
HND: Half Nodes Died — 노드의 절반이 죽기까지 걸린 round 수, network lifetime 의 standard metric.

방법론 노트

Social Network Search 는 Talatahari et al. (2021, IEEE Access) 가 제안한 인간 사회 동학 기반 메타휴리스틱이다. 사용자 ( $U_i$ ) 가 4 가지 mood 로 의견 벡터를 update 한다 — 이 글로벌 best 탐색이 cluster head 위치 최적화에 mapping 된다.

Mood 1 — Imitation (타인 의견 모방):

U_i^{new} = U_j + \text{dblrnd}[-1,1] \times N, \quad N = \text{dblrnd}[0,1] \times (U_j - U_i)

Mood 2 — Conversation (대화로 새 관점 획득):

U_i^{new} = U_k + \text{dblrnd}[0,1] \times \text{sign}(f(U_i) - f(U_j)) \times (U_j - U_i)

Mood 3 — Disputation (그룹 평균 P 와 비교, KG = admission factor):

U_i^{new} = U_i + \text{dblrnd}[0,1] \times (P - KG \times U_i), \quad P = \frac{1}{N_r} \sum_{t=1}^{N_r} U_t

Mood 4 — Innovation ( $d$ 차원에서 새 관점 도입):

u_{i,new}^d = r \times u_j^d + (1-r) \times s_{new}^d, \quad s_{new}^d = lb^d + \text{rand}[0,1] \times (ub^d - lb^d)

Fitness function 은 IoT node lifetime 최소값 최대화:

f = \min\left\{ \frac{E_{Re}(g_i)}{E_{Tx}(g_i, PH)} \,\Big|\, \forall g_i \in \mathbb{G} \right\}

여기서 $E_{Re}$ 는 잔여 에너지, $E_{Tx}$ 는 PH 와의 통신 소비 에너지 (식 5 의 Heinzelman radio 모델로 계산). Identification 은 동일 radio parameter (Heinzelman, PSO-ECHS, PSO-UFC 참조값) 와 동일 시뮬레이션 환경 (OMNeT++ INET) 하에서의 controlled comparison 으로 확보. SNS 자체는 parameter 수가 적어 (population, iteration 둘뿐) tuning 부담 작음 — 이것이 PSO 계열 대비 hardware 임베디드 친화성의 핵심.

연구 계보

황준석 의 5기 라인 중 4기 개도국 ICT 혁신 의 아프리카 ICT 협력 흐름이 본 작업의 직접 anchor. 같은 그룹의 자매 paper 인 A Hybrid Biologically-Inspired Optimization Algorithm for Data Gathering in IoT Sensor Networks 와 함께 PASET-RSIF (Pan-African) 펀딩으로 산출된 아프리카-한국-프랑스 3 자 협력 라인의 일부. 기술적 reference 는 (i) LEACH (Heinzelman, Chandrakasan, Balakrishnan, HICSS 2000) 의 hierarchical clustering 원조, (ii) Latiff et al. (2007) PSO-C, Rao et al. (2016, Wireless Networks) PSO-ECHS, Kaur & Kumar (2018, IEEE Sensors) PSO-UFC 의 PSO 변형 계보, (iii) Talatahari, Bayzidi & Saraee (2021, IEEE Access) 의 SNS 메타휴리스틱 원본, (iv) Elhabyan & Yagoub (2014, IRI) 의 CH 선정 NP-hard 증명. 황준석 의 ahp-mcdm 라인과 IoT 정책 라인 (Na et al. 2023 IoT 규제) 의 기술-정책 종합 시각의 기술 측 분기.

인접 그래프

1-hop 이웃 19개

인물 6
방법론 2
주제 3
수록처 1
분류 1
논문 6

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

An Energy-Efficient Data Collection Protocol for IoT Networks Using Social Network Search Metaheuristic

요약

핵심 결과

방법론 노트

연구 계보

See also

인접 그래프

이 문서를 가리키는 페이지

논문 (6)