دانلود مقاله مدل energy - efficient مبنی بر تراکم داده‌ها برای شبکه های سنسور بی سیم

بخشی از مقاله

مدل energy- efficient مبني بر تراكم داده‌ها براي شبكه هاي سنسور بي سيم

چكيده:
تراكم داده ها در شبكه هاي سنسور بي سيم افزونگي را حذف مي كند تا مصرف پهناي باند و بازده انرژي گوه ها را توسعه دهد. اين مقاله يك پروتكل تراكم داده هاي energy- efficient امن را كه (Energy- Efficient Secure Pattern based Data Aggregation) ESPDA الگوي امن energy- efficient بر پاية تراكم داده ها) ناميده مي شود ارائه مي كند. برخلاف تكنيكهاي تراكم داده هاي قراردادي، ESPDA از انتقال داده هاي اضافي از گره هاي سنسور به cluster- headها جلوگيري مي كند. اگر گره هاي سنسور همان داده ها را تشخيص داده و دريافت كنند، ESPDA ابتدا تقريباً يكي از آنها را در وضعيت خواب (sleep mode) قرار مي دهد و كدهاي نمونه را براي نمايش

مشخصات داده هاي دريافت و حس شده توسط گره هاي سنسور توليد مي كند. Cluster- head ها تراكم داده ها را مبني بر كدهاي نمونه اجرا مي كند و فقط داده هاي متمايز كه به شكل متن رمز شده هستند از گره هاي سنسور به ايستگاه و مكان اصلي از طريق Cluster- headها انتقال يافته است. بعلت استفاده از كدهاي نمونه، Cluster- headها نيازي به شناختن داده هاي سنسور براي اجراي تراكم داده‌ها ندارند. زيرا به گره هاي سنسور اجازه مي دهد تا لينك هاي ارتباطي سرهم پيوسته (end-to-end) امن را برقرار كنند. بنابراين، نيازي براي مخفي سازي/ آشكار سازي توزيع كليد مابين Cluster- head ها و گره هاي سنسور نيست. بعلاوه، بكار بردن تكنيك NOVSF block- Hopping، امنيت را بصورت تصادفي با عوض كردن با نگاشت بلوك هاي داده ها به time slotهاي NOVSF اصلاح كرده و آن را بهبود مي بخشد. ارزيابي كارايي نشان مي دهد كه ESPDA روش هاي تراكم داده هاي قراردادي را به بيش از 50% در راندمان پهناي باند outperform مي كند.

1- مقدمه: شبكه هاي سنسور بي سيم، بعنوان يك ناحيه و منطقة جديد مهم در تكنولوژي بي سيم پديدار شده اند. در آيندة نزديك، شبكه هاي سنسور بي سيم منتظر هزاران گره ارزان و كم هزينه و داشتن هر توانايي (Sensing capability) sensing با توان ارتباطي و محاسباتي محدود شده بوده اند. چنين شبكه هاي سنسوري منتظر بوده اند تا در بسياري از موارد در محيط هاي عريض گوناگوني براي كاربردهاي تجاري، شخصي و نظامي از قبيل نظارت، بررسي وسيلة نقليه و گردآوري داده هاي صوتي گسترش يافته باشند. محدوديتهاي كليد شبكه هاي سنسور بي سيم، ذخيره سازي، توان و پردازش هستند. اين محدوديتها و معماري ويژه گره هاي سنسور مستلزم انرژي موثر و پروتكلهاي ارتباطي امن هستند. امكان و اجراي اين شبكه هاي سنسور كم هزينه با پيشرفت هايي در MEMS (سيستم هاي ميكرومكانيكي micro

electromechanical system)، تركيب شده با توان كم، پردازنده هاي سيگنال ديجيتالي كم هزينه (DSPها) و مدارهاي فركانس راديويي (RF) تسريع شده اند.
چالش هاي كليد در شبكه هاي سنسور، براي بيشينه كردن عمر گره هاي سنسور به علت اين امر است كه براي جايگزين كردن و تعويض باطري هاي هزاران گره سنسور امكان پذير نيست. بنابراين عمليات محاسباتي گره ها و پروتكلهاي ارتباطي بايد به اندازة انرژي موثر در صورت امكان ساخته شده باشد. در ميان اين پروتكلها، پروتكلهاي انتقال داده ها بر حسب انرژي از اهميت ويژه اي برخوردارند، از آنجائيكه انرژي مورد نياز براي انتقال داده ها 70% از انرژي كل مصرفي يك شبكة سنسور بي سيم را مي

گيرد. تكنيكهاي area coverage و تراكم داده ها مي توانند كمك بسيار زيادي در نگهداري منابع انرژي كمياب با حذف افزونگي داده ها و كمينه ساختن تعداد افتقالات داده ها بكنند. بنابراين، روشهاي تراكم داده ها در شبكه هاي سنسور، در همه جا در مطبوعات مورد تحقيق و بررسي قرار گرفته اند، در SPIN (پروتكلهاي سنسور براي اطلاعات از طريق مذاكره sensor protocols for Information via Negotiation

ارسال داده هاي اضافي با مذاكره meta- dataها توسط گره ها حذف شده اند. در انتشار مستقيم، شيب ها كه براي جمع آوري داده ها و تراكم داده ها برقرار شده اند، كاربرد مسيرهاي تقويت مثبت و منفي را بوجود مي آورند. در گره هاي سنسور، نمونه اي از داده ها را كه نشان مي دهد كه چگونه تفسير سنسور به فاصلة زماني از پيش تعريف شده تغيير روش مي دهد مي فرستند. Cluster- headها نمونه هاي داده ها را جمع آوري كرده و فقط يكي از رويدادهاي وخيم تطبيق يافته را مي فرستد. از قبيل، پيش بيني افت درجه حرارت به طور تصادفي يك طوفان به پايگاه و مكان اصلي.

Cluster- head همچنين مي تواند مطالعات نمايندة k را بجاي مطالعات بدست آمدة n از تمامي سنسورهايش مطابق الگوريتم k-means بفرستد. امنيت در ارتباط داده اي موضوع مهم ديگري است تا طراحي شبكه هاي سنسور بي سيم مطرح شده باشد، همانند شبكه هاي سنسور بي سيم كه ممكن است در مناطق دشمن از قبيل ميدان هاي نبرد گسترش يافته باشد. بنابراين، پروتكل هاي تراكم داده ها بايد با پروتكلهاي امنيتي ارتباط داده ها بعنوان يك تعارض مابين اين پروتكلها كه ممكن است

سوراخ و روزنه‌هايي (loophole) را در امنيت شبكه ايجاد كنند كار كنند. اين مقاله يك الگوي مطمئن و energy-efficient مبني بر پروتكل تراكم داده ها (ESPDA) را كه هر دوي تراكم داده ها و تصورات و مفهوم هاي كلي امنيتي را با هم در شبكه هاي سنسور بي سيم Cluster- head رسيدگي مي كند، ارائه مي كند. هرچند، تراكم داده ها و امنيت در شبكه هاي سنسور بي سيم در مطبوعات مورد مطالعه قرار گرفته اند، براي بهترين شناسايي و آگاهي ما اين مقاله نخستين مطالعه براي رسيدگي كردن به تكنيكهاي تراكم داده ها بدون مصالحه امنيت است. ESPDA كدهاي نمونه را براي اجراي تراكم داده ها بكار مي برند. كدهاي نمونه اساساً نمايندة بخش هاي داده ها

هستند كه از داده هاي واقعي به چنين روشي كه هر كد نمونه مشخصات مخصوص داده هاي واقعي متناظر را دارد اقتباس شده است (گرفته شده است). فرآيند اقتباس يا استخراج ممكن است وابستگي به نوع داده هاي واقعي را تغيير دهد.

براي مثال: وقتي كه داده هاي واقعي تصورات حس شدة موجودات بشر توسط سنسورهاي نظارت و مراقبت هستند، مقادير پارامتر كليد براي شناسايي صورت و بدن بعنوان نماينده اي از داده ها كه وابسته به نيازهاي كاربردي هستند، مطرح شده اند. وقتيكه يك گره سنسور شامل واحدهاي دريافت يا احساس (sensing) چند گانه

است، كدهاي نمونة گره سنسور، با تركيب كدهاي نمونة واحدهاي دريافت يا احساس (sensing) افرادي و فردي فراهم شده اند. بجاي ارسال كل داده هاي حس شده و دريافت شد. (sensed) اول، گره هاي سنسور را توليد مي كنند و سپس كدهاي نمونه را به Cluster- headها مي فرستند. Cluster- headها كدهاي نمونة متمايز را تعيين مي كنند و سپس فقط خواستار يك گره سنسور براي فرستادن داده هاي واقعي براي هر كد نمونه متمايز هستند. اين روش ديدگاه هم انرژي و هم پهناي باند موثري را براي ESPDA بوجود مي آورد. ESPDA، همچنين امن است زيرا Cluster- headها نيازي به كشف رمز داده ها براي تراكم داده ها ندارند و نه كليد رمزي سازي/ آشكار سازي

منتشر شده است. علاوه بر اين، nonblocking كردن پيشنهاد شدة تكنيك hopping بلوك OVSF جلوتر، امنيت ESPDA را به صورت تصادفي با عوض كردن نگاشت بلوك

هاي داده به time slotهاي NOVSF اصلاح مي كند. گره هاي سنسور معمولاً با چگالي عالي براي مقابله با خرابي هاي گره بعلت محيط هاي ناملايم گسترش يافته اند. گسترش تصادفي شبكه نيز در بسياري از مناطق با بيش از يك گره سنسور پوشانده شده بود. بنابراين، آن بسيار مطلوب و پسنديده است براي مطمئن ساختن اينكه يك منطقه و محيط فقط با يك گره سنسور در هر لحظه پوشانده شده است، بطوريكه بيش از يك گره سنسور همان داده ها را دريافت و احساس نمي كند. اين منجر به يك

پيشرفت براي راندمان تراكم داده ها مي شود از آنجائيكه حتي داده هاي اضافي حس و دريافت نشده اند. در اين خصوص، اين مقاله يك الگوريتمي را براي هماهنگ كردن وضعيت خواب و فعال (sleep & active) به هنگام داشتن اشتراك گره هاي سنسور حوزه هاي sensing مطرح مي كند. نتيجة اين مقاله، بصورت زير سازمان يافته است. بخش 2 تراكم داده ها و پروتكل وضعيت sleep- active را شرح مي دهد. بخش 3 پروتكل امنيتي را مطرح مي كند. بخش 4 ارزيابي كارايي تراكم داده هاي پيشنهاد شده، پروتكل هاي sleep-active و پروتكل هاي امنيتي را ارائه مي كند. تبصره ها و توجهات در بخش 5 قرار دارند.

2- تراكم داده ها در ESPDA (Data Aggregation in ESPDA): اين مقاله در مورد شبكه‌هاي سنسور با ساختار سلسله مراتبي و مرتبه اي كه داده ها از گره هاي سنسور به جايگاه اصلي از طريق Cluster- headها مسير دهي شده اند، رسيدگي مي كند. ايستگاه هاي اصلي براي داشتن توان كافي و حافظه براي ارتباط برقرار كردن بطور

امن و مطمئن با تمامي گره هاي سنسور و شبكه هاي خارجي از قبيل اينترنت در نظر گرفته شده و فرض شده اند. گره هاي سنسور بصورت تصادفي در بيش از يك فضا و محيط گسترش يافته و مستقر شده اند تا نظارت شده باشند و آنها را به درون clusterها بعد از گسترش ابتدايي سازماندهي مي كنند. يك Cluster- head، از هر clusterاي براي بكار بردن ارتباط مابين گره هاي cluster و ايستگاه اصلي انتخاب شده است. Cluster- headها بصورت پويا مبني بر انرژي باقيمانده براي داشتن توان مصرفي يكنواخت در ميان تمامي گره هاي سنسور عوض شده اند. از آنجائيكه انتقال و ارسال داده يك دليل اصلي مصرف انرژي است، ابتدا ESPDA، ارسال و انتقال داده هاي اضافي را از

گره هاي سنسور به Cluster- headها با كمك پروتكل هماهنگي وضعيت sleep-active كاهش مي دهد. سپس، ترام داده براي حذف افزونگي بكار گرفته شده است و براي تعداد ارسال ها را براي ذخيره سازي انرژي به حداقل رسانده است. در روش هاي تراكم داده هاي قراردادي، Cluster- headها، تمامي داده ها را از گره هاي سنسور دريافت مي كنند و سپس افزونگي را با بررسي محتويات داده هاي سنسور حذف مي كنند. ESPDA كدهاي نمونه را بجاي داده هاي حس شده يا دريافت شده (sensed) براي اجراي تراكم داده بكار مي برد، بنابراين، محتويات داده هاي ارسال شده مجبور نيستند تا در Cluster- headها آشكار و فاش شده باشند. اين قادر مي سازد تا ESPDA

در تركيب عطفي (اتصال، پيوستگي) با پروتكل امنيتي كار كند. در پروتكل امنيتي و sensor data، كه به عنوان غيراضافي (non-redundant) با Cluster- headها شناسايي شده اند، به ايستگاه اصلي كه به شكل به رمز درآمده است، انتقال يافته است. كدهاي نمونه با بكار بردن يك انتشار جستجوي نمونة محرمانه بوسيلة Cluster- head بصورت دوره اي توليد شده اند. جستجوي (seed) نمونه يك عدد تصادفي بكار رفته براي پيشرفت و اصلاح قابليت اعتماد كدهاي نمونه با اجازه ندادن به همان كدهاي

نمونة توليد شده در هر زمان است. چنانچه جستجوي نمونه تغيير يافته است، الگوريتم توليد نمونه، يك كد نمونة متمايزي را براي همان دادة سنسور توليد مي كند. بنابراين، افزونگي حتي قبل از اينكه داده هاي سنسور از گره هاي سنسور انتقال يافته باشند، حذف شده است.

1-2- هماهنگي وضعيت بيداري- خواب (Sleep- Active mode coordination) : گره سنسور به هر دو وضعيت بيكار (idle) يا وضعيت فعال براي عملكرد sensing مبني بر اتصال و محيط دريافت (sensing) شرايط است. يك روش و تكنيك متمركز شدن روي كاستن داده اضافي است تا از گره هاي سنسور به Cluster- headها انتقال داده شده باشند. در ESPDA، بسته هاي افزونه قبلاً در سطح Cluster- head حذف شده اند ولي هنوز مراقبت انرژي با بكار بردن سرشت ارتباطي data driven (data driven communication nature)

از شبكة سنسور بي سيم امكان پذير است. شناسايي گره هايي كه حوزه هاي دريافت اشتراكي دارند و در حال خاموش كردن واحدهاي دريافتي برخي از آن گره ها براي يك مقدار كران دار از زمان اتلاف انرژي را از وقتيكه اين گره ها داده هاي اضافي را به علت همپوشي و داشتن اشتراك توليد خواهند كرد، كاهش مي دهند. بيشتر مدل هاي انرژي امواج راديويي مطبوعات، وضع ارتباطي گره هاي سنسور بي سيم را تائيد مي كنند بحث در مورد بهره ها و سودهاي اضافي توسط روش هماهنگي data

driven sleep كه ممكن است قابل توجه نباشد، امكان پذير است. اگرچه، مزاياي اين تكنيك مي تواند مشاهده شده باشد اگر يكي روي عملكرد يك شبكة سنسور تمركز كند. رسيدگي يك مورد در يك چنين محيط دريافت گره در اتحاد مناطق دريافتي همسايگانش است، هرگاه يك رويداد در محدودة دريافت اتفاق مي افتد، كد نمونة متناظر (متشابه) را به Cluster- head آن در ميان همسايگانش خواهد فرستاد. از آنجائيكه بستة آن سرانجام در Cluster- head حذف خواهد شد، اين يك انتقال اضافي است.

توجه داشته باشيد كه: اين يك سناريوي best-case است از آنجائيكه تمامي همسايگانش به همان Cluster- head ارسال مي كنند. اين امكان پذير است كه اين گره به يك Cluster- head متمايز و متفاوت، همسايگانش را به علت الگوي دسته بندي خودش گزارش مي كند. كليد نقطه براي نتيجه گيري از اين مشاهده اين است كه، خرابي براي حذف كردن يك ارسال افزونه در گره سنسور آغازي ممكن است در يك تعداد از انتقالات غيرلازم و غيرضروري در دسته بندي سلسله مراتبي كه ممكن است فقط در

Cluster- headهاي سطح بالاتر يا در ايستگاه اصلي در بدترين مورد حذف شده باشد، حاصل شود. در پروتكل خواب (sleep) يك گره سنسور با همسايگانش براي شناختن corerage regionهاي اشتراكي همكاري مي كند. گره هاي مجاور مي توانند، با يكديگر از طريق Cluster- head ارتباط برقرار كنند. لفظ sleep protocol براي نسبت دادن خاموش كردن واحد دريافت گره ها نسبت به خاموش كردن امواج راديويي بكار رفته است. كل عمر شبكه به شكاف (slot)هاي با طول ثابت مدت زمان T كه در شكل 1 نشان داده شده است تقسيم شده است. هر شكافي شامل مراحل مشاهده، فراگيري و تصميم است. هر گره كه بيدار است، بافر محلي اش را مبني بر رويدادهايي كه در مرحلة مشاهده آن اتفاق مي افتد به روز مي كند (update). در مرحلة يادگيري، گره ها، خلاصة محتويات بافرشان را از قبيل: محموعه مقادير hash رويدادهاي مشاهده

شده با همسايگانشان مبادله مي كنند. در مرحلة تصميم، هر گره قابليتش را براي نگهداري واحد دريافت on/ off براي يك مدت z (مضربي از T) ارزيابي مي كند و تصميمش را به همسايگانش منتشر مي كند. ترتيب انتشارها براي گره ها، به صورت (z/z¬max)*B كه B مقدار ثابت كوچكتر از T است و Z (مضرب T) مدت زمان خواب

قبلي گره است و zmax (مضرب T) زمان حداكثر است كه يك گره مي تواند به ترتيب بخوابد، مرتب شده اند. انگيزة مرتب سازي انتشارها براي كاهش كشمكش ها و prioritize كردن گره ها است كه قادر نيستند كه در مراحل تصميم قبلي بخوابند وقتيكه مدت و زمان آن به اتمام برسد، هرگره الگوريتم زير را اجرا مي كند:
Algorithm. On Broad cast Timer Expire ( )
Begin
1. if ( اگر رويدادها توسط همسايگاني كه هنوز تصميمشان را منتشر نكرده اند در بافر مشاهده شده باشد)
2. Z’ = min (2*ZE , Zmax)
3. Broadcast sleep decision to neighbors
4. خاموش مي كندz را براي مدت Sensing unit
5. else
6. Z’=0.5*T
7. براي شكاف بعدي بيدار مي ماند.
8. Endif
9. را خالي مي كند event butter
END.
ترتيب زمان خواب شبيه به الگوريتم back off نمايي دودويي است. در پايان زمان خوابش، هر گره، براي مدت يك شكاف تا ضوابط تصميم گيري آنرا روي مشاهدات اخير و تغييرات در شبكه و محيط (شكل 2) پايه قرار مي دهد. ارزيابي كارايي پروتكل sleep در بخش 1-4 ضميمه شده است.
2-2- بكاربردن كدهاي نمونة تراكم داده‌ها: (Data aggregation using pattern codes):

الگوريتم (PG) pattern generation روي تمامي گره هاي سنسور براي توليد كد نمونة مخصوص و ويژه براي داده هاي دريافت يا حس شده (sensed) اجرا شده است. در اين الگوريتم، داده هاي سنسور به يك مجموعه از اعداد و شماره اه نگاشت شده است و محدودة اين اعداد به فاصله هايي تقسيم شده‌اند از قبيل كران ها و عرض فاصله ها كه توسط مقادير از پيش تعريف شده سر حد تعيين شده اند. تعداد مقادير سرحد و تغيير فاصله ها ممكن است به نيازهاي كاربر و دقت تعريف شده و تعيين شده براي محيطي در چنين شبكه اي كه گسترش يافته است، بستگي داشته باشد. سپس الگوريتم pattern generation مقادير شاخص را براي هر فاصله با بكار بردن pattern

seed تخمين مي زند و جدول‌هاي جستجو، فاصله و ارزش بحراني را توليد مي كند. جدول جستجوي فاصله محدوده اي از هر فاصله را تعريف مي كند و جدول جستجوي ارزش بحراني (critical value) هر فاصله را به يك مقدار و ارزش بحراني نگاشت مي كند، مقادير بحراني ممكن است بعنوان يك براي اولين فاصله تعيين شده باشد و با وجود آخرين فاصله به 9 تغيير يابد. اين مقادير بحراني يك پايه و مبنا را براي توليد كدهاي نمونه تشكيل مي دهند. مشخصات داده هاي سنسور با پارامترهايي از قبيل درجه حرارت يا رطوبت هوا نمايش داده شده اند. وقتي داده ها از محيط دريافت مي شوند، پارامترهاي آن با فاصله هاي تعريف شده در جدول جستجوي الگوريتم PG

مقايسه شده اند و مقادير بحراني متناظر به هر پارامتري ارجاع داده شده است. الحاق و اضافه كردن مقادير بحراني همة پارامترهاي داده ها، كد نمونه را توليد مي كنند. Sensor ID , timestamp به كدهاي نمونه اضافه شده اند وقتيكه آنها به Cluster- head، ارسال شده اند. الگوريتم مقايسه (pattern comparison) از ارسال داده هاي اضافي جلوگيري مي كند. گره هاي سنسور، يك مجموعه از داده هاي رمزي شده را كه هيچگونه افزونگي ندارد به ايستگاه اصلي از طريق Cluster- head مي فرستد. در الگوريتم pattern generation ، pattern seed براي ايجاد و توليد كدهاي نمونه استفاده شده است. وقتي clusterها در ابتدا در شبكه مستقر شده اند، گره هاي سنسور

pattern seed محرمانه را از Cluster- headهاي متناظرشان كه pattern seed يك عدد تصادفي توليد شده است و توسط Cluster- head به شكل رمزي شده منتشر مي شود، دريافت مي كنند. جزئيات اينكه، pattern seed كه مطمئناً منتشر شده است، در بخش 1-3 ارائه شده است. Pattern seed براي پيشرفت قابليت اعتماد كدهاي نمونه با تصويب نكردن همان كدهاي نمونة توليد شده در هر زمان بكار برده شده است. همچنانكه pattern seed تغيير يافته است، الگوريتم pattern generation يك كد نمونة متمايزي را براي همان داده ها توليد مي كند. بنابراين، pattern seed در فاصله هاي زماني منظمي تغيير يافته است.
Algorthm. Pattern Generation (PG)

Input : sensor reading D.
Data parameters being sensed.
Threshold [ ] : Array of threshold levels of data intervals for each data type.
Data precision requirements of the network for each data parameter
S (critical [ ], seed): Function to shuftle the mapping of critical values to data intervals.
Out put: pattern- code (PC)
Begin
1. variable PC=[ ] ; // pattern-code مقدار دهي اوليه به
2. for ead data parameter
3. Declare n; // Number of data intervals for this data type

4. Declare interval [n] , critical value [n]; // جستجوي جداول
5. براي پارامترهاي دادة متناظر استخراج مي كنند. D داده ها را از
6. ‌گرد كردن داده ها براي دقت موردنياز با پارامترهاي دادة متناظر
7. for I=1 to n

8. interval [I]= threshold [I-1] threshold [I]
9. end for
10. if فرستاده شد) cluster- headجديدي توسط seed) then

11. //نگاشت مقادير بحراني را به فاصله هاي داده ها دوباره انجام مي دهد
12. for I=1 to 5
13. critical value [I] = S (critical value [I] , seed)
14. end for
15. end if
16. مي‌يابد critical value , interval مقدار بحراني مربوطه را هر دادة جاري دريافت شده با بكار بردن جداول جستجوي
17. PC= PC + [critical value] ; //
18. end for;

19. PC= PC+ [Time stamp] +[Sensor Id] ; // را اضافه مي كند. Id و Timestamp
END
1-2-2- مثالي براي Pattern generation : D (d1 , d2 , d3) داده هاي دريافت شده را با 3 پارامتر d3 , d2 , d1 به نمايندگي درجه حرارت، فشار و رطوبت هوا به ترتيب در يك محيط معين مشخص مي كند. هر پارامتر دريافت شده، براي داشتن مقادير سرحد مابين محدودة 0 تا 100 فرض شده است. الگوريتم pattern generation ، مراحل زير را اجرا مي‌كند.

1-Pattern code توليد شده به pattern code خالي (خط 1) مقدار دهي اوليه شده است.
2- الگوريتم مقادير sensor reading بالا را براي پارامترهاي داده ها كه دريافت شده اند، تكرار مي‌كند. در اين مورد، در ابتدا درجه حرارت را مورد رسيدگي قرار مي دهد. (خط 2)
3- پارامتر درجه حرارت از sensor reading D اقتباس و گرفته شده است. (خط 5)
4- براي پارامتر درجه حرارت، الگوريتم ابتدا چك مي كند كه چگونه يك seed جديد از cluster- head دريافت شده است (خط 10). ورود يك seed نگاشت مقادير بحراني را به فاصله هاي داده ها تازه مي كند.

5- فاصله داده ها كه شامل درجه حرارت دريافت شده است، از جدول interval پيدا شده است. سپس، از مقدار فاصله، مقدار بحراني متناظر از جدول critical value (خط 16) تعيين شده است.

6- PC به مقدار بحراني يافته شدة جديد (خط 17) تنظيم شده است. براي رطوبت هوا و فشار، مقادير بحراني متناظر به آخر بخشي از PC ساخته شده و تشكيل شده اضافه شده‌اند.
7- مراحل قبلي براي مطالعات فشار و رطوبت هوا اضافه شده اند.

8- وقتيكه كد نمونة كامل توليد شده است، timestamp و sensor identifier با كد نمونه به cluster-head (خط 19) فرستاده شده است.
در اين مثال، داده هاي دريافت شده توسط سنسور 1 و سنسور 3 با يكديگر از مقايسة مقادير كه نمونة آنها و 747 بطور يكسان تعيين شده اند. بطور مشابه، داده هاي دريافت شده توسط سنسور 2 و سنسور 4 و سنسور 5 يكسان هستند. (مقدار 755 كد نمونه). كدهاي نمونه با مقدار يكسان بعنوان يك مجموعه زايد و اضافي نسبت داده شده است. از اينرو، cluster- head، فقط سنسور 1 و 4 را براي ارسال داده ها از هر مجموعة اضافي مبني بر timestampها مطابق الگوريتم شرح داده شده pattern comparison زير انتخاب مي كند.

3-2- مقايسة نمونه با (pattern comparison by cluster-head) : cluster head منتظر گره هاي سنسور مي ماند تا كدهاي نمونه را انتقال دهد و آنها را ارسال كند. بعد از دريافت كدهاي نمونه از گره هاي سنسور براي يك دورة T ، مجموعة يكپارچه و دست نخورده‌اي از كدها، مبني بر افزونگي طبقه بندي شده است. تغييرات دورة T ، روي محيطي كه شبكة سنسور گسترش يافته است مبنا قرار داده شده است. سپس نمونه هاي منحصر به فرد به مجموعة انتخاب شده اي از كدها نقل مكان كرده اند. گره هاي سنسور كه مشابه مجموعة نمونة منحصر به فرد (مجموعة انتخاب شده selected – set) هستند، براي انتقال داده هاي واقعي درخواست شده اند. سيگنال هاي ACK ممكن است، به سنسورهاي ديگر براي در كردن داده هايشان (داده هاي اضافي) منتشر شده باشند. اين گره هاي سنسور مي توانند، براي ذخيره و نگهداري توان در وضعيت خواب قرار داده شده باشند.