使用 LPCN 算法的图神经网络方法用于无线传感器网络与物联网的边界节点检测

《IEEE Open Journal of the Communications Society》：Graph Neural Network Approach for Boundary Node Detection in Wireless Sensor and IoT Networks Using the LPCN Algorithm

　　

摘要：

无线传感器网络（WSN）和物联网（IoT）网络中的边界节点检测是一个基本问题，应用于周边监控、覆盖验证和网络管理。最小极角连通节点（LPCN）算法通过追踪连通欧几里得图的多边形包络提供精确解决方案，但其分布式版本（D-LPCN）需要顺序通信，易受节点故障影响且与动态网络不兼容。在本文中，我们研究图神经网络（GNN）是否能从数据中学习近似 LPCN 边界分类。我们提出了一种完整的方法论，包括：（1）自动生成立体网状网络，（2）提取 22 个几何和拓扑节点特征，（3）一种具有 3 层传播层的消息传递 GNN 架构，以及（4）一项训练数据规模研究，比较了在 2K、10K 和 100K 网络上训练的模型。在 8 种网络配置中的综合评估表明，经 100K 训练的 GNN 在训练配置中达到 F1 = 0.992，在所有设置中的平均 F1 = 0.963，并且在 8 种配置中有 5 种实现了完美召回率（零漏检边界节点）。使用 ZigBee 进行的真实世界执行时间分析显示，由于顺序通信，D-LPCN 对于 50 个节点需要约 1.2 秒，而分布式 GNN 可并行在约 141 毫秒内完成。我们证明 GNN 对节点故障具有根本上的更高鲁棒性，并且适用于 D-LPCN 无法运行的动态移动网络。该 116 KB 模型完全在浏览器中运行，无需服务器基础设施即可实现边缘部署，这一点由两个配套 Web 应用程序证明：一个是完整流程的交互式逐步说明器，另一个是在真实 OpenStreetMap 路网上运行的实时车辆跟踪原型。