Τ.Ε.Ι. ΜΕΣΟΛΟΓΓΙΟΥ ΤΜΗΜΑ ΤΗΛΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΚΑΙ ΔΙΚΤΥΩΝ (ΠΑΡΑΡΤΗΜΑ ΝΑΥΠΑΚΤΟΥ) Σημειώσεις για το Μάθημα

Τ.Ε.Ι. ΜΕΣΟΛΟΓΓΙΟΥ ΤΜΗΜΑ ΤΗΛΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΚΑΙ ΔΙΚΤΥΩΝ (ΠΑΡΑΡΤΗΜΑ ΝΑΥΠΑΚΤΟΥ) Σημειώσεις για το Μάθημα ΑΣΥΡΜΑΤΑ ΔΙΚΤΥΑ ΑΙΣΘΗΤΗΡΩΝ Δρ. ΑΓΓΕΛΙΚΗ ΠΡΑΓΙΑΤΗ ΝΑΥΠΑΚΤΟΣ 2009

ΠΕΡΙΕΧΟΜΕΝΑ 1 ΕΦΑΡΜΟΓΕΣ ΑΣΥΡΜΑΤΩΝ ΔΙΚΤΥΩΝ ΑΙΣΘΗΤΗΡΩΝ... 5 1.1 ΠΕΡΙΒΑΛΛΟΝ... 5 1.2 Geological monitoring... 6 1.3 Habitat monitoring... 6 1.4 Pollution monitoring... 7 1.5 Energy MONITORING... 8 1.6 Health Domain... 9 1.7 Disability Assistance... 10 1.8 People rescue... 10 1.9 Bio-surveillance... 11 1.10 Smart surroundings... 11 1.11 Security Domain... 12 1.12 Military... 13 1.13 ADDITIONAL Domains... 13 2 ΑΝΑΠΤΥΞΗ ΚΟΜΒΩΝ... 15 2.1 Requirements derived from application... 16 2.1.1 Network Size... 16 2.1.2 Mobility of the nodes... 16 2.1.3 Lifetime - energy... 17 2.1.4 Scalability... 17 2.1.5 Heterogeneity... 17 2.1.6 Quality of Service... 18 2.1.7 Type of sensors... 18 2.1.8 Hardware of the node... 18 2.2 Features for WSNs deployment... 18 3 ΠΛΑΤΦΟΡΜΕΣ ΥΛΙΚΟΥ... 20 3.1 Υπάρχουσες πλατφόρμες και χαρακτηριστικά τους... 20 3.2 Προβλήματα κάλυψης από τους αισθητήρες... 23 3.3 Επιλογές σχεδιασμού... 23 3.4 Κάλυψη περιοχής... 26 3.4.1 Τυχαία κάλυψη με καλή απόδοση ενέργειας... 26 3.4.2 Συνδεσμολογία σε τυχαία κάλυψη... 30 3.4.3 Αιτιοκρατική κάλυψη... 33 3.4.4 Κάλυψη κόμβων προσεγγιστικά... 34 3.5 Κάλυψη σημείων... 35 3.5.1 Τυχαία κάλυψη σημείων... 35 3.5.2 Αιτιοκρατική κάλυψη σημείων... 36 3.5.3 Κάλυψη οριακού σημείου... 36 3.6 Λάθη εμβέλειας... 39 4 ΕΠΙΠΕΔΟ ΣΥΝΔΕΣΗΣ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΕΛΕΓΧΟΣ ΠΡΟΣΒΑΣΗΣ ΣΤΟ ΑΣΥΡΜΑΤΟ ΜΕΣΟ... 43 4.1 Prime objectives/goals of an sensor network MAC protocol... 43 4.2 Common approaches followed by relative work... 44

4.3 802.15.4 and other protocol standards... 46 4.3.1 The physical layer... 47 4.3.2 The MAC layer... 48 4.3.3 Higher layers... 48 4.3.4 Network model... 49 4.3.5 Data transport architecture... 50 4.3.6 Reliability and security... 51 4.4 MAC layer protocols... 52 4.4.1 CDMA based protocols... 52 4.4.2 TDMA based protocols... 59 4.4.3 Hybrid protocols... 62 4.4.4 Protocols utilizing cross-layer approach... 63 5 ΑΛΓΟΡΙΘΜΟΙ ΕΠΙΠΕΔΟΥ ΔΙΚΤΥΟΥ - ΔΡΟΜΟΛΟΓΗΣΗ... 65 5.1 Identification and definition of problem of disconnection in WSNs... 65 Impact of Disconnection Management to network performance... 67 QoS... 67 Power awareness... 68 Throughput... 68 5.1.1 Solutions... 69 5.2 Routing... 72 5.2.1 Optimized Link State Routing... 78 5.2.2 Dynamic Source Routing Protocol DSR... 80 5.3 Resource management (energy, frequency, transmission power, duty-cycling) 82 5.4 Energy-aware techniques... 85 5.4.1 Description of EC-DSR... 86 5.4.2 EC-DSR operation... 86 5.5 Range & density... 91 6 ΕΝΤΟΠΙΣΜΟΣ (LOCALIZATION)... 93 6.1 Χρησιμοποιώντας την τοπολογία του δικτύου για προσδιορισμό θέσης... 96 6.2 Βασικές αρχές τοποθέτησης στο χώρο και στο χρόνο... 98 6.2.1 Σχετική εύρεση θέσης... 99 6.2.2 Απόλυτος προσδιορισμός θέσης... 99 6.3 Μέτρα συστημάτων προσδιορισμού θέσης... 100 6.3.1 Τριγωνισμός... 100 6.3.2 Αλγόριθμοι κοντινότερου γείτονα... 101 6.3.3 Αλγόριθμοι βασισμένοι σε πιθανότητες... 102 7 ΛΕΙΤΟΥΡΓΙΚΑ ΣΥΣΤΗΜΑΤΑ Middleware... 103 7.1 TinyOS... 103 7.1.1 CONCURRENCY... 105 7.1.2 SUPPORT... 106 7.1.3 ΜEMORY MANAGEMENT... 106 7.1.4 NETWORKING... 107 7.2 Mantis OS... 108 7.3 SOS... 108 7.4 T2... 109

7.5 Contiki... 109 7.6 COMPATIBILITY... 110 7.7 Middleware architectures for WSN... 111 7.7.1 Characteristics to be present in WSN middleware... 112 7.7.2 Various middleware WSN approaches... 114 7.8 Agent technologies for WSN... 123 7.8.1 Technology and agent models... 123 7.8.2 Use of agent models in WSN... 127 7.9 SPECIFICATION OF IN-NODE REPROGRAMMING AND REBOOT SERVICE... 131 7.9.1 SPECIFICATION OF THE NETWORK REPROGRAMMING PROCESS... 133 7.9.2 NETWORK REPROGRAMMING... 135

1 ΕΦΑΡΜΟΓΕΣ ΑΣΥΡΜΑΤΩΝ ΔΙΚΤΥΩΝ ΑΙΣΘΗΤΗΡΩΝ This section aims to provide an overview of the problems that the use of WSN technology solves. The section has been divided in four main groups of domains: environmental, health, security and additional. Each group has its own category of applications within each domain. 1.1 ΠΕΡΙΒΑΛΛΟΝ The use of Wireless Sensor Networks in environmental applications can contribute to the development of hazard response systems. Sensor Networks have evolved from passive logging systems that require manual downloading, into intelligent sensor networks. These networks are comprised of nodes and communication systems, which actively transmit their data to a Sensor Network Server (SNS) where this data can be integrated with other environmental datasets. These sensor nodes can be fixed or mobile and range in scale depending on the environment being sensed. Large Scale Single Function Networks tend to use large single purpose nodes to cover a wide geographical area. Localised Multifunction Sensor Networks typically monitor in detail a small area, often with wireless ad-hoc systems. Environmental Sensor Networks will become a standard research tool for future (Earth System) and Environmental Science. These networks provide a virtual connection with the environment, as well as allowing new field and conceptual approaches to be developed to study environmental processes. A classification of potential application scenarios was performed taking into account the possible implementation of the wireless sensor network in the environmental domain, (see Table 2.1.1), resulting in five representative groups: Meteorological monitoring, geological monitoring, habitat monitoring, pollution monitoring and energy monitoring.

Environmental Domain Categories Meteorological monitoring Geological monitoring Habitat monitoring Pollution monitoring Energy monitoring 1.2 Geological monitoring Geology is the scientific study of the history, structure and composition of the earth, the natural processes that alter the crust surface, and/or the resources and hazards associated with the geological environment. Geological monitoring refers to the control, supervision and study of several physical geological magnitudes, to enhance the understanding of the earth s state. Geological stations can provide information on underground temperature, water content, seismic activity, tilt and displacement. These measurements are useful to forecast and predict harsh natural phenomena. The main geological monitoring scenario application is catastrophe prediction. Geological Monitoring Category Catastrophe prediction 1.3 Habitat monitoring Habitat refers to the biophysical medium occupied continuously, periodically or occasionally by an organism or group of organisms; or once occupied by an organism, or group of organisms, and into which organisms of that kind have the potential to be reintroduced. Habitat monitoring refers to surveys aimed at detecting and explaining big changes in abundance of species or features, and to assess effects of any conservation action. In this report, a classification according to the different objectives and main requirements of two sub-scenarios is performed (see Table 2.1.7). The first one deals with wild natural scenarios (both animal and vegetation), whereas the second one consists of

habitat monitoring scenarios for improving production in farming activities (agriculture, livestock farming or fish farming). Habitat Monitoring Category Wildlife Monitoring Farming Monitoring Sensor network solutions for habitat monitoring show enormous potential benefits for the industrial and scientific communities, and society as a whole, by: Long-term data collection at scales and resolutions that are difficult to obtain otherwise: this is enabled by monitoring either natural or human created spaces, with numerous networked micro-sensors. Provision of localized measurements and detailed information hard to obtain through traditional instrumentation. The intimate connection with its immediate physical environment allows sensor networks to obtain specific information about their surroundings. Easy interaction amid the in-situ network (WSN) and other external networks: After receiving the data gathered by the nodes, the sink sends it to the final user via internet. 1.4 Pollution monitoring Pollution is produced by the release of chemicals, or physical, biological or radioactive contaminants to the environment. The major forms of pollution include: Air pollution: The release of chemicals and particles into the atmosphere, such as carbon monoxide, sulphur dioxide, chlorofluorocarbons and nitrogen oxides produced by industry and motor vehicles. Water pollution: The release of chemicals via surface runoff draining into groundwater or wastewater tipped directly to rivers or the sea.

Noise pollution: Mainly encompasses roadway noise, aircraft noise and industrial noise as well as high-intensity sonar noise. Other pollution: Light pollution (includes light trespass and over-illumination); visual pollution (which can refer to the presence of overhead power lines, motorway billboards, scarred landforms or municipal solid waste) and radioactive contamination. According to the possible implementation of wireless sensor network in the pollution monitoring domain, a classification of potential application scenarios was performed (see Table 2.1.10), resulting in four representative groups: Air pollution monitoring, water pollution monitoring, acoustic pollution monitoring and waste management. Pollution Monitoring Category Air Pollution Application Scenario Water Pollution Application Scenario Acoustic Pollution Application Scenario Waste Management Application Scenario 1.5 Energy MONITORING Production and consumption of energy resources is very important to the global economy. Economic and domestic activities require energy resources to manufacture goods, provide transportation, run machines, grow food to feed workers, enhance the wellbeing at home, or even to harvest new fuels. Producing energy requires resources and contributes to air and water pollution (many electric power plants burn coal, oil, or natural gas in order to generate electricity for energy needs). While burning fossil fuels produces a readily available and instantaneous supply of electricity, it also generates air pollutants including carbon dioxide, sulphur dioxide, and nitrogen oxides. Carbon dioxide is an important greenhouse gas, which is thought to be responsible for some fraction of the rapid increase in global warming.

Since the cost of energy has become a significant factor in the performance of economies and in the maintenance of the environment, management of energy resources has a crucial importance. Energy management involves utilizing the available energy resources more effectively. Many times it is possible to save expenditures on incorporating fresh technology, by new management techniques. Energy management is the practice of using energy more efficiently by eliminating energy wastage or by balancing justifiable energy demand with appropriate energy supply. The application of new technologies such as Wireless Sensor Networks aims to reduce the energy consumption and thus enhance energy conservation. Two different groups of energy monitoring application scenarios have been chosen for this document (see Table 2.1.11). This division is in accordance with the environment in which energy monitoring systems are deployed: industrial or domestic environments. Energy Monitoring Category Industrial Environment Application Scenarios Domestic Environment Application Scenarios 1.6 Health Domain The WSN technology could potentially impact a number of healthcare applications, such as: medical treatment, pre- and post-hospital patient monitoring, people rescue, and early disease warning systems. In addition, WSNs can contribute to solving some important social problems, such as caretaking of the chronically ill, elderly people, and people with mental and physical disabilities. This will improve not only their quality of life, but also benefit society as a whole. Health Domain Categories Patient Monitoring Category Disability Assistance Category People Rescue Category

Bio-surveillance Category Smart Surrounding Category 1.7 Disability Assistance This group of applications considers scenarios where smart sensors operate within the human body to counteract human organ weaknesses or to monitor important physiological parameters or particular organ viability. For example, in the case of managing patients with diabetes, the blood glucose level can be monitored continuously, controlling the insulin delivery from an implanted reservoir. For the treatment of epilepsy and other debilitating neurological disorders, there are already on the market implantable, multi-programmable brain stimulators which save the patient from surgical operations such as removing brain tissue. In cardiology, the value of the implantable cardio-verterdefibrillator has increasingly been recognized for the effective prevention of sudden cardiac death. Disturbingly, many arrhythmogenic deaths could be prevented if such a cardioverter-defibrillator was implanted in high risk people. Such technological development reflects the social, industrial, and clinical perspectives of future healthcare delivery. Disability Assistance Category Artificial Retina Application Scenario Glucose Level Monitoring Application Scenario Heart Problem Monitoring Application Scenario Organs and Cells Monitoring Application Scenario 1.8 People rescue In emergency or disaster scenarios, if people are outfitted with tiny wireless badges, the rescue teams and medics will be guided much faster to find the victims, allowing them to prevent a large numbers of casualties. These sensors would relay continuous data to nearby paramedics and emergency medical technicians, who would use mobile PDA or mobile PC-based systems (in ambulances) to capture all patient vital data. Thus, they could monitor and care for several patients at once and be alerted to any changes in the patient s physiologic status. The information network includes communication with the rescue teams as well as communication with the hospitals information system, allowing

to better coordination between the emergency rescue teams and the hospitals with facilities and resources to care for patients in critical condition. According to the types of accidents, we can have two types of sub scenarios: (1) monitoring victims in emergency situations with larger numbers of casualties when the accident is not expected, and (2) monitoring people and rescue teams in disaster areas when high risk activities are planned. People Rescue Category Monitoring Victims in Emergency Situations Monitoring People and Rescue Teams in Disaster Areas 1.9 Bio-surveillance All wireless sensor systems created with the purpose of bio-surveillance help public health experts to determine if there is a deadly disease outbreak threat among the human population. A series of sensors can collect and examine samples from the air, soil and water and use weather conditions to predict the epidemiological spreading of the disease. This prediction allows federal, state and local officials to react providing fast emergency response, medical care and consequence management needs. Bio-Surveillance Category Biological Attack Warning System Application Scenario Early Disease Prediction Application Scenario 1.10 Smart surroundings The smart sensor technology can help solve some important social problems, such as caretaking for the chronically ill, elderly people, and people with mental and physical disabilities, as well as providing a high level of health care in citizens homes while continuing a normal active life, instead of being forced to stay at the hospital. This will not only improve an individual s quality of life, but will also be a great benefit to society as a whole.

The separation of the sub-scenarios shown in Table 2.2.8 is made according to the people who would benefit from it. Elderly people and people with physical disabilities, who normally need assistance to be able to live independently in their homes, and people in the work force who can have continuous vital parameter monitoring at home. Smart Surroundings Category Assisted-living For Improving the Quality of Life Application Scenario Residents Health Monitoring in Home Environment Application Scenario 1.11 Security Domain US based research on wireless sensor networks is mainly driven by military applications. This application domain does not only include a wide variety of challenging problems (target tracking and localization, detection of toxic chemicals, rescue, homeland security), but has also defined the common view of a wireless sensor network as a large-scale, multi-hop ad hoc network of tiny resources and energy-constrained sensor nodes. In addition, the cost involved in using a sensor network for military applications is of less importance if technology can provide a strategic advantage in warfare. European research in WSN is focusing on civilian applications. In this context we have decided to map military applications to the civilian domain (using material flow monitoring for the logistics of dangerous goods applications and using tracking for building security). However, this mapping is not trivial; sensor networks for these applications may have different properties (smaller scale, heterogeneous hardware, single-hop networks), and it is typically hard to convince potential users of these applications to invest money in research (at least when compared to the military funding). Security Domain Categories Civilian Military

1.12 Military Military safety is a concern for all nations and therefore a large amount of funding is allocated to strengthen military defence. The importance of military defence requires constant growth in industrial and technological markets in respect to military defence. In the event of armed conflict two basic scenarios are proposed: attacking enemies and defence against enemy attacks. Armies have developed a multitude of technologies that apply to different techniques of warfare and existing weapons, in order to attack and defeat enemy armies. Equally important is the capacity to detect possible attacks by enemies and to defend one s territory. The military defence industry has developed different technologies in order to protect against enemy attacks, such as radar, as well as various weapons to repel attacks. Nowadays, in addition to the traditional attacks, biological, chemical and nuclear threats are modern day concerns. Military Category Homeland Defence Military Vehicle Operation and Maintenance Battlefield Monitoring Self-Healing Minefield 1.13 ADDITIONAL Domains In the previous sections three important specific application scenario domains were presented. In this section the scope of the scenarios has been expanded based on asking the question, How can a WSN be applied to other domains or fields? A complete list of applications is only limited by the imagination and in order to answer this question, we will focus on several applications that have already been mentioned by users and companies. We do have to take into account that the current WSN market is still fragmented due largely to the unique characteristics of each application category. Once we have better characterized the application categories, we can expect a more intensive effort in the development of software systems and higher-level layers. Since WSN technology can be applied in such a wide variety of ways, this list of additional applications will grow as potential users become aware of the technological

capabilities. Today, many of the WSN applications described in this section of the document are some of the most wide spread and depending on the needs of the company or user, this grouping of applications could be seen as one of the most important. However, the focus of this document is to examine the new and innovative WSN applications that are applicable to this project where the final goal is to demonstrate how WSN technology can be used to improve the conditions at the Versmé sanatorium. In the following subsections a list of fields that are expected to explore possible applications of WSN technology will be discussed. The key idea behind all of them is monitoring. The list includes areas like structural health monitoring, building monitoring, building control, automotive monitoring, traffic monitoring, industrial process control, and asset and warehouse monitoring. Additional Domain Categories Structural Health Monitoring Building Monitoring and Control Automotive and Traffic Monitoring Industrial Process Monitoring Asset and Warehouse Management

2 ΑΝΑΠΤΥΞΗ ΚΟΜΒΩΝ The methodology for WSNs deployment will be drawn by the features and requirements of the sensor network among a set of them included in a taxonomy. In this context, depending on the set and subsets in which the specific sensor network is included, the methodology will fix the steps to deploy the nodes in a specific scenario. Sensor networks and specifically, wireless sensor networks can be classified depending on very different aspects related to energy resources and power consumption, processing capabilities, network topology or communication protocol among others. The objective of WSN deployment is to achieve the required sensing coverage of the wireless sensor network with an optimal number of nodes, while complying with several constraints as power consumption, reliability, cost, scalability, latency, etc, and to propose an adequate network topology and routing for the information dissemination. Therefore, the WSN deployment problem not only needs to well define where to place the nodes in the application scenario but also how to connect them and send the information to overcome the different constraints imposed by the application. Therefore, the application is the most important requirement and it completely drives the deployment approach. Depending on the accessibility of the application scenario, a first classification can be made dividing the deployment process in two groups: manual and random placement. This simple classification allows defining different parameters in order to guarantee the correct working of the network for the specific application. Then, a real world deployment should be carried out, followed by debugging and test operations. These last ones are key points. Testing and deploying networks with a number of nodes higher than 10-20, is increasingly hard and simulation does not solve all the problems. As noted above, the application is the most restricting parameter in order to establish a methodology for WSNs deployment. The application allows fixing the parameters of the

network, described by means of requirements and features. These parameters will lead the methodology of deployment. 2.1 Requirements derived from application The requirements will be imposed by the application, so it is possible than only a few of them are important in a specific one. 2.1.1 Network Size In a first step, a mental exercise must be carried out in order to establish different criteria about the application and how should be the final implementation of the WSN. The network size makes reference to the area that the network will take up and the number of nodes that compound the network as well. This is a very important requirement that must be taken into account in a first step and will drive the deployment because the communication protocol for example, may change depending on this criterion. The mobility of the nodes has influence in the size as well. In principle, distinguishing among large, medium and small size is not a trivial question. Attending to the features that characterize the network size, it is more convenient to talk about network density (nodes per unit of area). In this context, some applications will require more nodes per square meter than others, depending on the parameters to measure, the type of application (i.e. tracking application may require more nodes to support the localization algorithms), or the type of sensors. Metrics for this parameter must be established. These metrics will attend to details as radio and sensors range and environmental features. 2.1.2 Mobility of the nodes Some applications require that the nodes of the network can move through the environment that has to be measured. In this context, an initial deployment can be done and after this, the network will change due to movements of the nodes. In this case it is possible to think in a second stage of deployment, in which the network controls itself. The nodes would be able to detect the positions of the other nodes, and change their positions in consequence, maintaining the features to achieve suitable quality of service.

2.1.3 Lifetime - energy The lifetime is a very restricting requirement, because in the WSN field the nodes must be small in order to make the network no intrusive for the environment in which the measures are going to be taken. The small form factor requirement implies very limited energy resources, so it is very important to take into account this parameter, because the hardware of the node and the kind of power supply depends on it. For example, the energy consumption of the communication in wireless links is determined greatly by the distance between the nodes. Therefore, a tradeoff among distances between nodes (that affects directly to the number of them) and energy consumption must be achieved, which has influence in the deployment stage. 2.1.4 Scalability When the deployment is made, it must be foreseen that new nodes could join to the network in the future. The reasons are multiple, as node replacement or because new parameters have to be measured. This parameter has influence on the communication protocol and the network topology. 2.1.5 Heterogeneity Depending on the kind of the physical parameters that the network has to measure and the existence of infrastructure, the nodes that compound de WSN may be different in hardware and software, which means that the nodes are heterogeneous. This leads to different decision in the deployment stage, so it will be easier to deploy a homogeneous network than a heterogeneous one. In the other side, the existence of infrastructure in the network means that as well as ad-hoc communication among nodes is carried out (using a standard protocol or any other protocol), other resources can be used in the communication process, as WI-Fi access points, GPS, etc. This fact conditions strongly the way in which the WSN is deployed, and must be taken into account.

2.1.6 Quality of Service This is probably the most important requirement because quality of service makes reference to the behavior of the system, and how well do what it has to do. This requirement leads to other features as security, coverage or fault tolerance. 2.1.7 Type of sensors The applications require specific sensors to measure environmental parameters. In this context, the type of sensors may drive the network deployment (i.e. some sensors have a short range and this imposes a specific number of nodes and placement). 2.1.8 Hardware of the node In some cases, it could be possible that not only the specific application is given, but also the kind of nodes that have to be used. Depending on the application, these nodes can be selected from a set of available nodes in the market, developed ad-hoc, or imposed by the client. In this situation, some of the requirements (communication protocol, radio range, energy resources, processing capabilities, etc.) are imposed by the hardware and the platform drives the methodology, together with the application specific requirements. 2.2 Features for WSNs deployment Every requirement can derive to several features that can match with other features derived from other requirements, but this fact does not modify the essence of the concept. Moreover, a requirement in the first step of the methodology can be a feature in the second one, because the application sets the specific requirements in every case. Requirement Size Mobility of the nodes Lifetime Features Communication protocol Network topology Cost Network topology Connectivity Routing Network topology Communication protocol Processing resources

Requirement Scalability Heterogeneity QoS Hardware of the node Features Energy resources Communication protocol Routing Network Topology Connectivity Communication protocol Network topology Infrastructure Connectivity Security Fault tolerance Coverage Communication protocol Processing capabilities Energy resources Network topology Cost

3 ΠΛΑΤΦΟΡΜΕΣ ΥΛΙΚΟΥ 3.1 Υπάρχουσες πλατφόρμες και χαρακτηριστικά τους Platform Sensors CPU, Memory Radio Other feature Radio Boards Mica2 MicaZ Mica2Dot Interface Boards: MIB510 MIB520 MIB600 Stargate On-board (Mica2Dot) temperature MTS300 board Light, Temperature Microphone, Sounder MTS310 board Light, Temperature Microphone, Sounder 2-Axis Accelerometer 2-Axis Magnetometer MTS510 board Light, Microphone 2-Axis Accelerometer MTS400 board Temperature Humidity Barometric Pressure Ambient Light Sensor 2-Axis Accelerometer MTS420 board All MTS400 sensors GPS Module CPU Atmel ATmega128L. Memory: EEPROM 4KB Program Flash128KB Ext. ser. Flash 512KB Consumption Deep sleep ~ 20 μa Receive ~ 8mA Typical Transmit ~ 12mA 1%duty-cycle ~ 0.25ma/hr Lifetime exp.- up to 1,5 years Mica2, Mica2dot CC1000 License-free band 433MHz, 868 MHz Data rate - up to 76.8 kbit/s Transmission distance up to 300m Output power - 20 to + 10dBm MicaZ CC2420 2.4 GHz, IEEE 802.15.4 compliant Data rate - up to 250 kbit/s Transmission distance up to 100m Output power - 24 dbm to 0 dbm 51-pin expansion connector supports Analog Inputs, Digital I/O, I2C, SPI and UART interface These interfaces make it easy to connect to a wide variety of external peripherals. Tiny OS (TOS) Distributed Software OS Support for wireless remote reprogramming Battery holder for two AA batteries.

Platform Sensors CPU, Memory Radio Other feature ESB,ECR, egate/usb, egate/web ESB (on-board): temperature, luminosity, microphone for noise detection, vibration, PIR movement detector, beeper ECR (on-board): vibration sensor EYE Camera module - plugs into the serial socket of the ESB CPU TI MSP430 Memory EEPROM 2KB Program Flash 60KB Consumption: Deep sleep ~ 100 μa Standby ~ 250 μa Receive ~ 25 ma typical 3s-cycle (TX, RX, sleep) ~ 700 μa Lifetime exp.- up to three years TR1001 License-free 868 MHz band (SW tunable) Data rate - up to 115.2 kbit/s Transmission distance - up to 1.2 km Output power - up to +15 dbm IR sender and receiver, Precise timing using real-time clock, Reset button and free programmable second button, Interface for JTAG flash adapter and serial cable, TinyOS compatible Battery holder for three AA batteries. Platform Sensors (Optional Integrated) CPU, Memory Radio Other feature Tmote Sky TelosB Tmote Sky Humidity, Temperature, Light sensors Powered by two AA batteries Tmote Invent Light, Temperature, Acceleration, Sound sensors Speaker, LEDs, and User input buttons Rechargeable battery that charges through any standard USB port CPU TI MSP430 Memory 10kB RAM, 48kB flash, 1MB storage. Consumption: Power Down ~ 5 μa Idle mode ~ 1.2mA Receive ~ 23 ma Transmission at 0dBm ~ 21mA CC2420 2.4 GHz, IEEE 802.15.4 compliant Data rate - up to 250 kbit/s Transmission distance up to 100m Output power - 24 dbm to 0 dbm Integrated onboard antenna with 50m range indoors / 125m range outdoors Integrated ADC, DAC, Supply Voltage Supervisor, and DMA Controller, Ultra low current consumption, Fast wakeup from sleep (<6us), Hardware link-layer encryption and authentication, Programming and data collection via USB, 16-pin expansion support and optional SMA antenna connector TinyOS compatible

Platform Sensors CPU, Memory Radio Other feature ESB,ECR, egate/usb, egate/web ESB (on-board): temperature, luminosity, microphone for noise detection, vibration, PIR movement detector, beeper ECR (on-board): vibration sensor EYE Camera module - plugs into the serial socket of the ESB CPU TI MSP430 Memory EEPROM 2KB Program Flash 60KB Consumption: Deep sleep ~ 100 μa Standby ~ 250 μa Receive ~ 25 ma typical 3s-cycle (TX, RX, sleep) ~ 700 μa Lifetime exp.- up to three years TR1001 License-free 868 MHz band (SW tunable) Data rate - up to 115.2 kbit/s Transmission distance - up to 1.2 km Output power - up to +15 dbm IR sender and receiver, Precise timing using real-time clock, Reset button and free programmable second button, Interface for JTAG flash adapter and serial cable, TinyOS compatible Battery holder for three AA batteries. Platform Sensors CPU, Memory Radio Other feature Eyes IFX On-board Integrated Temperature, Light sensors CPU TI MSP430 Memory: 10 KB RAM, 48 KB ROM, 4 Mbitserial data flash. Consumption Sleep mode ~ 8.95µA Radio RX typ. ~ 10mA Radio TX typ. ~ 12mA TDA5250, 868MHz TDA5255, 433MHz, License-free band, Data rate - up to 64 kbps (19.2kbits), Output power up to +13 dbm. Extender port that can be used for external sensors or actuators, JTAG connector which can be used to program or debug the sensor node, Integrated on-board antenna and SMAconnector for an external, Full TinyOS software support.

Platform Sensors CPU, Memory Radio Other feature unode, SmartTag, Gateway No on-board integrated sensors unode - Direct connections to humidity, temperature, light sensors SmartTag - connections to: humidity, temperature, movement, light sensors CPU unode TI MSP430 Memory unode: 10kB of RAM, 48kB of flash. 4 Mbit data storage CPU Smart Tag 16 MHz 8051 microcontroller Memory SmartTag 32 Kbit EEPROM Consumption Standby ~ 2.5μA Typical RX~ 12.5mA peak Typical TX ~ 9mA at-10dbm,???? License-free band 868/915 MHz, Data rate - up to 50kbps Transmission distance up to 50m range indoors / 200m outdoors Output power - -10 dbm to10dbm. unodes 8 pins expansion port supports Analog Inputs, Digital I/O, Timer, I2C, SPI and UART interface A graphical LCD display can be attached to the board Integrated onboard antenna Fully supported by AmbientRT OS, TinyOS compatible Run on a single pair of AA batteries SmartTag two available general purposes I/O pins to connect large range of sensors, Integrated antenna No Operating System Run on coin-cell batteries 3.2 Προβλήματα κάλυψης από τους αισθητήρες Αυτό το πρόβλημα έχει σαν κεντρικό του θέμα ένα πολύ βασικό ερώτημα: Πόσο καλά οι αισθητήρες παρατηρούν το φυσικό χώρο? Η έννοια της κάλυψης είναι ένα κριτήριο του Quality of Service (QoS) της λειτουργίας αισθητικότητας και είναι ένα θέμα με πάρα πολλές διαφορετικές ερμηνείες για το λόγο ότι υπάρχει μεγάλη ποικιλία αισθητήρων και εφαρμογών. Ο σκοπός είναι να υπάρχει η κάθε τοποθεσία στον επιλεγμένο φυσικό χώρο μέσα στην εμβέλεια αισθητικότητας τουλάχιστον ενός αισθητήρα. 3.3 Επιλογές σχεδιασμού Οι κόμβοι αισθητήρων, που επίσης λέγονται ασύρματοι πομποδέκτες, είναι μικροσκοπικές συσκευές εξοπλισμένες με έναν ή περισσότερους αισθητήρες, έναν η περισσότερους πομποδέκτες, επεξεργαστή, πόρους αποθήκευσης, και, πιθανότατα, μηχανισμούς κίνησης. Οι αισθητήρες είναι οργανωμένοι μέσα σε δίκτυα και συνεργάζονται για να επιτύχουν ένα μεγαλύτερο έργο αισθητικότητας. Μία σημαντική κλάση των wireless sensor networks(wsns) είναι τα wireless ad hoc sensor networks(wasn), χαρακτηριζόμενα από μία ad hoc ή τυχαία ανάπτυξη αισθητήρων

στην οποία η τοποθεσία τους δε γνωρίζονται από πριν. Αυτή η τυχαία διαμοίραση αισθητήρων απαιτείται όταν η τοποθέτηση των κόμβων από τους χρήστες είναι αδύνατη, για παράδειγμα σε ένα πεδίο μάχης ή σε καταστραμμένες περιοχές. Τα χαρακτηριστικά των WASN είναι οι περιορισμένοι πόροι, μεγάλα και πυκνά δίκτυα, και οι δυναμικά διαμορφωμένες τοπολογίες. Γενικά χρειάζονται περισσότεροι κόμβοι από τα δίκτυα με γνωστή τοποθεσία, και οι κόμβοι αυτοί είναι ανεπτυγμένοι ώστε να εκτελούν τις εργασίες που τους έχουν υποδειχθεί. Αυτό αποδεικνύει το πόσο σημαντική είναι η γνώση της τοποθεσίας των κόμβων αλλά και το πόσο μη ανθεκτικά είναι αυτά τα δίκτυα. Το μέγεθος ενός WASN μπορεί να είναι εκατοντάδες η ακόμα και χιλιάδες κόμβοι αισθητήρων. Εάν οι κόμβοι μπορούν να τοποθετηθούν ακριβώς εκεί που χρειάζονται, η ανάπτυξη ονομάζεται αιτιοκρατική ή ντετερμινιστική(deterministic). Οι αισθητήρες έχουν μέγεθος, βάρος, και περιορισμούς κόστους, οι οποίοι επηρεάζουν τη διαθεσιμότητα των πόρων. Έχουν περιορισμένους πόρους ενέργειας και επεξεργασίας αλλά και ικανότητες επικοινωνίας. Επειδή η αντικατάσταση της μπαταρίας σε πολλές εφαρμογές δεν είναι πρακτική, η κατανάλωση μικρών ποσοτήτων ενέργειας είναι ένα κρίσιμο θέμα στο οποίο θα πρέπει να δωθεί μεγάλη προσοχή, όχι μόνο στο σχεδιασμό της αρχιτεκτονικής και του hardware, αλλά και στο σχεδιασμό των αλγορίθμων και των δικτυακών πρωτοκόλλων σε όλα τα επίπεδα της αρχιτεκτονικής δικτύου. Συνεπώς ένα σημαντικό εγχείρημα στο σχεδιασμό δικτύων είναι η μεγιστοποίηση της ζωής του δικτύου. Άλλο ένα θέμα, ειδικά στον αιτιοκρατικό τρόπο ανάπτυξης, είναι να χρησιμοποιηθούν όσο το δυνατόν λιγότεροι κόμβοι στο δίκτυο. Ένας κόμβος μπορεί να βρίσκεται σε μία από τις τέσσερις παρακάτω καταστάσεις: εκπομπή, λήψη, αδράνεια και ύπνος. Η κατάσταση αδράνειας είναι όταν ο πομποδέκτης ούτε εκπέμπει αλλά ούτε λαμβάνει δεδομένα. Η κατάσταση ύπνου είναι όταν ο πομποδέκτης είναι απενεργοποιημένος. Μία ενδιαφέρουσα παρατήρηση είναι ότι η λειτουργία λήψης αλλά και η αδρανής λειτουργία χρειάζονται ενέργεια τόση όση και η λειτουργία εκπομπής, ενώ στα παραδοσιακά ad hoc δίκτυα είναι γνωστό ότι η ενέργεια που δαπανάται για εκπομπή δεδομένων μπορεί να είναι διπλάσια από αυτήν για τη λήψη. Μία άλλη παρατήρηση αφορά την αναλογία καταναλώμενης ενέργειας για τις λειτουργίες της επικοινωνίας και του υπολογισμού, η οποία μπορεί να είναι υψηλότερη από 1000. Άρα, η επεξεργασία των τοπικών δεδομένων, η συγχώνευση δεδομένων και η

συμπίεση δεδομένων είναι πάρα πολύ επιθυμητά. Η διακριτική επιλογή της ενεργούς κατάστασης κάθε κόμβου αισθητήρα για όλους τους κόμβους του δικτύου, ονομάζεται μηχανισμός προγραμματισμού (scheduling mechanism). Όταν ο σκοπός είναι να μειωθεί ο αριθμός των ενεργών αισθητήρων που καλύπτουν την περιοχή, το αποτέλεσμα είναι μία σημαντική μέθοδο μείωσης της κατανάλωσης ενέργειας. Μερικές φορές, ο μηχανισμός προγραμματισμού επιδιώκει την διατήρηση συνδεσιμότητας ανάμεσα στους δραστήριους κόμβους. Οι αλγόριθμοι κάλυψης που προτιμώνται είναι συγκεντρωτικοί, ή κατανεμημένοι και επιτόπιοι. Στους κατανεμημένους αλγορίθμους η διαδικασία απόφασης είναι αποκεντρωτική. Οι κατανεμημένοι και τοπικοί αλγόριθμοι αναφέρονται σε μία κατανεμημένη διαδικασία λήψης μίας απόφασης σε κάθε κόμβο προκαλώντας μόνο τη χρήση της γειτονικής πληροφορίας (γείτονες που απέχουν σταθερό αριθμό βημάτων). Επειδή τα WSNs έχουν δυναμική τοπολογία και χρειάζονται να φιλοξενούν ένα μεγάλο αριθμό αισθητήρων, οι αλγόριθμοι και τα πρωτόκολλα που σχεδιάζονται πρέπει να είναι κατανεμημένα και τοπικά (να εκτελούνται τοπικά) για να μπορούν να έχουν καλύτερη κλιμάκωση αρχιτεκτονικής. Λαμβάνοντας υπ όψιν την έννοια της κάλυψης, μπορούν να σχηματιστούν διαφορετικά προβλήματα, και βασιζόμενα στα αντικείμενα που πρέπει να καλυφθούν υπάρχουν οι παρακάτω σχεδιαστικές επιλογές: Μέθοδος ανάπτυξης αισθητήρων: Αιτιοκρατική εναντίον τυχαίας. Η αιτιοκρατική τοποθέτηση αισθητήρων μπορεί να είναι εφικτή σε φιλικά και προσβάσιμα περιβάλλοντα. Η τυχαία κατανομή αισθητήρων χρησιμοποιείται κυρίως σε στρατιωτικές εφαρμογές και απομακρυσμένες ή αφιλόξενες περιοχές. Εμβέλειες αισθαντικότητας και επικοινωνίας: αυτά τα σενάρια λαμβάνουν υπ όψιν κόμβους με ίδιες ή διαφορετικές εμβέλειες αισθητικότητας. Άλλος παράγοντας ο οποίος αναφέρεται στη συνδεσιμότητα είναι η εμβέλεια επικοινωνίας, η οποία μπορεί να είναι ίδια η διαφορετική με την εμβέλεια αισθητικότητας.

Πρόσθετες σημαντικές απαιτήσεις: Καλή απόδοση στην ενέργεια και τη συνδεσιμότητα, η οποία αναφέρεται σαν κάλυψη ενέργειας λειτουργικότητας και κάλυψη σύνδεσης. Στόχος του θέματος: Μεγιστοποίηση της ζωής του δικτύου ή ελαχιστοποίηση του αριθμού των κόμβων. 3.4 Κάλυψη περιοχής Το πιο μελετημένο πρόβλημα είναι η κάλυψη όπου ο κύριος σκοπός του δικτύου αισθητήρων είναι να καλύψει (παρακολουθήσει) μία περιοχή (επίσης αναφέρεται και σαν πεδίο). 3.4.1 Τυχαία κάλυψη με καλή απόδοση ενέργειας Αυτή η θεματολογία παρουσιάζει πολλούς μηχανισμούς κάλυψης με καλή απόδοση ενέργειας, εξαιτίας των πολλών προβλημάτων που δημιουργούνται από αυτή λόγω των περιορισμένων πόρων, και αυτό είναι ένα σημαντικό θέμα στα WASNs. Μηχανισμοί που διατηρούν τους πόρους ενέργειας είναι ιδιαίτερα χρήσιμοι γιατί επηρεάζουν απευθείας τη διάρκεια ζωής του δικτύου. Με τον όρο «διάρκεια ζωής» του δικτύου εννοείται το χρονικό διάστημα κατά το οποίο το δίκτυο μπορεί να εκτελέσει τις λειτουργίες αισθαντικότητας και να μεταφέρει δεδομένα στους δέκτες. Την περίοδο που το δίκτυο ζει, μερικοί κόμβοι μπορεί να γίνουν μη διαθέσιμοι (π.χ. από φυσική βλάβη, έλλειψη ενεργειακών πόρων) και να αποκοπούν από το δίκτυο ή αντίθετα μπορούν να προστεθούν και άλλοι κόμβοι. Ένας λειτουργικός μηχανισμός, που συχνά χρησιμοποιείται είναι ο χρονοπρογραμματισμός της δραστηριότητας του κόμβου και η άδεια στους κόμβους οι οποίοι δεν δρουν εκείνη τη χρονική περίοδο να εισάγονται σε κατάσταση ύπνου όσο πιο συχνά γίνεται και για όσο το δυνατόν περισσότερο μπορούν. Για να σχεδιαστεί ένας τέτοιους μηχανισμός, θα πρέπει να απαντηθούν οι παρακάτω ερωτήσεις:

Εικόνα 1(a). Τυχαία ανάπτυξη αισθητήρων για τετράγωνη περιοχή, (b) Τυχαία ανάπτυξη αισθητήρων για να καλυφθεί ένα σύνολο σημείων, (c) Πρόβλημα κάλυψης γενικής μορφής φραγμού Ποιόν κανόνα θα πρέπει να ακολουθήσει ο κάθε κόμβος για να αποφασίσει το εάν θα πρέπει να εισέλθει σε κατάσταση ύπνου; Πότε θα πρέπει οι κόμβοι να παίρνουν τέτοιες αποφάσεις; Πόσο χρόνο θα πρέπει να παραμένει ένας κόμβος σε κατάσταση ύπνου; Ο Slijepcevic, ο Potkonjak και ο Cardei μελέτησαν έναν μεγάλο πληθυσμό αισθητήρων, ανεπτυγμένων τυχαία για παρακολούθηση περιοχών. Ο σκοπός τους ήταν να καταφέρουν να δημιουργήσουν έναν αποδοτικό σε ενέργεια σχεδιασμό ο οποίος θα διατηρεί την κάλυψη της επιλεγμένης περιοχής. Επειδή ο αριθμός των αισθητήρων που παρατάσσονται είναι μεγαλύτερος από αυτόν που πραγματικά χρειάζονται για να εκτελεστεί η διεργασία της παρακολούθησης, η λύση που προτείνεται είναι να διαιρεθούν οι κόμβοι σε ανεξάρτητα σύνολα έτσι ώστε το κάθε σύνολο να μπορεί να

εκτελέσει την διεργασία της παρακολούθησης για την περιοχή του ανεξάρτητα από τα άλλα. Όπως φαίνεται αυτά τα σύνολα είναι δραστηριοποιημένα διαδοχικά και καθώς ένα σετ αισθητήρων είναι ενεργοποιημένο, όλοι οι άλλοι κόμβοι βρίσκονται σε κατάσταση ύπνου, δηλαδή σε κατάσταση χαμηλής κατανάλωσης ενέργειας. Ο σκοπός αυτής της προσέγγισης είναι να καθοριστούν όσο το δυνατόν περισσότερα σύνολα αφού αυτό έχει άμεση επίδραση στη ζωή του δικτύου. Οι λύσεις που προτείνονται είναι συγκεντρωτικές. Ο Slijepcevic και ο Potkonjak σχεδίασαν την περιοχή σαν ένα σύνολο τοπιών όπου κάθε τοπίο έχει την ιδιότητα κάθε έγκλειστο σημείο να είναι καλυμμένο από το ίδιο σύνολο αισθητήρων. Ο πιο γρήγορος, ελάχιστα απαιτητικός αλγόριθμος υπολογίζει τις ανεξάρτητες καλύψεις διαδοχικά, επιλέγοντας αισθητήρες οι οποίοι καλύπτουν την κρίσιμο περιοχή (το πεδίο που καλύπτεται από τον ελάχιστο δυνατό αριθμό αισθητήρων) και δίνει προτεραιότητα στους αισθητήρες που καλύπτουν μεγάλο αριθμό ακάλυπτων πεδίων. Τέλος δεν καλύπτει πεδία πλεονασματικά. Ο Cardei μοντελοποιεί τα αποσπασμένα σύνολα σαν αποσπασμένα ανεξάρτητα και αυταρχικά σύνολα. Ο μέγιστος υπολογισμός αποσπασμένων και αυταρχικών συνόλων είναι ΝΡ ολοκληρωμένος, και προτείνεται ένας αλγόριθμος βασισμένος στη σχεδίαση σχεδιαγραμμάτων. Οι εξομοιώσεις έχουν δείξει ότι ο αριθμός των συνόλων που έχουν υπολογιστεί είναι ανάμεσα σε 1,5 με 2 φορές μεγαλύτερος από αυτόν του αλγορίθμου των Slijepcevic και Potkonjak, με λάθη στην κάλυψη περιοχής μικρότερο από 5% κατά μέσο όρο. Ο Tian και ο Georganas έχουν προτείνει έναν άλλον μηχανισμό για μικρότερη κατανάλωση ενέργειας βασισμένο στην κάλυψη εκτελώντας χρονικό προγραμματισμό στους κόμβους και χρησιμοποιώντας πρωτόκολλο που είναι κατανεμημένο και επιτόπιο(localized). Ο κανόνας εκλεξιμότητας του μη-καθήκοντος καθορίζει το πότε η περιοχή αισθητικότητας ενός κόμβου εμπεριέχεται μέσα στις γειτονικές του περιοχές αισθητικότητας. Λύσεις για τον καθορισμό του πότε η κάλυψη ενός κόμβου μπορεί να υποστηριχτεί από τους γείτονές του( υπολογισμός υποστηρικτικής κάλυψης) παρέχεται για πολλές διαφορετικές περιπτώσεις στις οποίες: Οι κόμβοι έχουν την ίδια εμβέλεια αισθητικότητας και γνωρίζουν την τοποθεσία τους.

Οι κόμβοι έχουν την ίδια εμβέλεια αισθητικότητας, γνωρίζουν την τοποθεσία τους και μπορούν να αποκτήσουν κατευθυντικές πληροφορίες από τους γειτονικούς κόμβους. Οι κόμβοι έχουν διαφορετική εμβέλεια αισθητικότητας σε ξεχωριστά σενάρια Το πλάνο χρονοπρογραμματισμού του κόμβου διαιρείται σε κύκλους όπου κάθε κύκλος έχει μία φάση αυτοχρονοπρογραμματισμού που ακολουθείται από μία φάση αισθητικότητας. Στην φάση του αυτοχρονοπρογραμματισμού, οι κόμβοι εξερευνούν τον κανόνα εκλεξιμότητας μη-καθήκοντος. Οι εκλέξιμοι κόμβοι κλείνουν τις μονάδες επικοινωνίας και αισθητικότητας, ενώ οι άλλοι κόμβοι εκτελούν εργασίες αισθητικότητας στην αντίστοιχη φάση. Για να αποκτηθούν πληροφορίες από τους γείτονες, κάθε κόμβος κάνει broadcast ένα μήνυμα που δηλώνει την τοποθεσία του, στο ξεκίνημα του κάθε γύρου, το οποίο περιέχει την ταυτότητα και την τοποθεσία του κόμβου. Εάν ο κανόνας δοκιμαστεί ταυτοχρόνως από γειτονικούς κόμβους, ο κόμβος και ο υποστηρικτής του μπορεί να αποφασίσουν να κλείσουν ταυτοχρόνως, πυροδοτώντας το συμβάν των blinds points. Για να αποφευχθεί αυτό, ένα πλάνο απόσυρσης χρησιμοποιείται, στο οποίο κάθε κόμβος ξεκινά τον κανόνα αξιολόγησης μετά το πέρασμα τυχαίου χρονικού διαστήματος και μετά κάνει broadcast ένα μήνυμα κατάστασης για να ανακοινώσει εάν είναι δυνατόν να απενεργοποιηθεί. Πριν απενεργοποιηθεί, ο κόμβος αναμένει Τ χρονικό διάστημα για να ακούσει τυχών ανανεώσεις των γειτονικών κόμβων. Αυτή η δουλειά δεν προσδιορίζει μηχανισμούς συγχρονισμού. Είναι υλοποιημένη σαν μία προέκταση του LEACH πρωτοκόλλου συλλογής δεδομένων και τα αποτελέσματα της εξομοίωσης δείχνουν μία αύξηση της τάξεως του 1,7 κατά μέσο όρο στη συνολική ζωή του συστήματος. Μία λύση βασισμένη σε εξερεύνηση με χρονοπρογραμματισμό κόμβου για το πρόβλημα κάλυψης με χαμηλή κατανάλωση ενέργειας έχει προταθεί από τον Ye και τους συναδέλφους του. Σε αυτή τη λύση, όλοι οι αισθητήρες χαρακτηρίζονται από την ίδια εμβέλεια αισθητικότητας και κάλυψης όπου κάλυψη θεωρείται η αναλογία ανάμεσα στην περιοχή η οποία παρακολουθείται και στη συνολική περιοχή στην οποία είναι στημένο το δίκτυο. Ο κανόνας εκλεξιμότητας μη-καθήκοντος είναι βασισμένος σε έναν ερευνητικό μηχανισμό. Βασικά, ένας αισθητήρας κάνει broadcast ένα ερευνητικό

μήνυμα PRB σε μία ερευνητική εμβέλεια r. Κάθε κόμβος που λειτουργεί και ακούει αυτό το μήνυμα απαντάει με ένα μήνυμα PRB_RPY. Εάν τουλάχιστον μία απάντηση ληφθεί ο κόμβος εισέρχεται σε κατάσταση ύπνου. Η ερευνητική εμβέλεια επιλέγεται βασισμένη στην πυκνότητα των επιθυμητών κόμβων οι οποίοι λειτουργούν (αριθμός κόμβων ανά μονάδα μέτρησης της περιοχής) ή βασισμένη στην περίσσεια επιθυμητή κάλυψη. Ο χρόνος που ξυπνάει ο κόμβος βασίζεται στην ανεκτή διακοπή της αισθητικότητας του. Αυτό το πρωτόκολλο είναι κατανεμημένο και επιτόπιο με μικρή πολυπλοκότητα. Ωστόσο, εξακολουθεί να προστατεύει την αυθεντική περιοχή κάλυψης. 3.4.2 Συνδεσμολογία σε τυχαία κάλυψη Ένα σημαντικό θέμα στα WSNs είναι η συνδεσιμότητα. Ένα δίκτυο είναι συνδεδεμένο όταν κάθε ενεργός και δραστήριος κόμβος μπορεί να επικοινωνήσει με κάθε άλλον δραστήριο κόμβο, πιθανότατα χρησιμοποιώντας μεσάζοντες κόμβους για αναμεταδότες. Όταν οι αισθητήρες είναι παραταγμένοι, οργανώνονται σε ένα δίκτυο το οποίο θα πρέπει να έχει καλή συνδεσιμότητα έτσι ώστε οι πληροφορίες που συλλέγονται από τους αισθητήρες των κόμβων να μπορούν να αποστέλλονται σε καταναλωτές δεδομένων ή σε διαχειριστές. Ένα σημαντικό αντικείμενο στα δίκτυα αυτά είναι να καθοριστεί ένας ελάχιστος αριθμός αισθητήρων που λειτουργούν και απαιτούνται για να διατηρηθεί η αρχική κάλυψη της περιοχής αλλά και η συνδεσιμότητα του δικτύου. Επιλέγοντας έναν ελάχιστο αριθμό λειτουργικών κόμβων μειώνεται η κατανάλωση ενέργειας και επεκτείνεται η ζωή του δικτύου. Ένα σημαντικό αλλά διαισθητικό συμπέρασμα που παρουσιάστηκε από τους Zhang και Hou αναφέρει τα εξής: εάν η εμβέλεια επικοινωνίας Rc είναι τουλάχιστον διπλάσια της εμβέλειας αισθητικότητας Rs, η πλήρης κάλυψη της κυρτής περιοχής υποδηλώνει την συνδεσιμότητα των λειτουργικών κόμβων. Εάν η εμβέλεια επικοινωνίας είναι πολύ μεγάλη, δημιουργείται πρόβλημα παρεμβολών στην ραδιοεπικοινωνία. Άρα, εάν η εμβέλεια επικοινωνίας μπορεί να ρυθμιστεί, μια καλή προσέγγιση για να εξασφαλιστεί η συνδεσιμότητα είναι να ρυθμιστεί η εμβέλεια εκπομπής σε διπλάσιο μέγεθος της εμβέλειας αισθητικότητας.

Βασισμένοι σε αυτά τα αποτελέσματα, οι Zhang και Hou εξέτασαν περισσότερο την περίπτωση όπου Rc >= Rs. Μια σημαντική παρατήρηση είναι ότι μία περιοχή είναι απόλυτα καλυμμένη εάν τουλάχιστον δύο δίσκοι διασταυρώνονται και όλες οι διασταυρώσεις καλύπτονται. Σε αυτήν την αναφορά, δίσκος είναι η περιοχή αισθητικότητας ενός κόμβου και μία διασταύρωση είναι το σημείο τομής στα όρια δύο δίσκων. Στην ιδανική περίπτωση, στην οποία η πυκνότητα κόμβων είναι αρκετά μεγάλη, το υποσύνολο των λειτουργικών κόμβων μπορεί να επιλεχτεί για τη συνολική κάλυψη της περιοχής. Βασιζόμενοι σε αυτά τα αποτελέσματα οι συγγραφείς πρότειναν έναν κατανεμημένο, τοπικό αλγόριθμο που έχει ονομαστεί καταλληλότερος έλεγχος γεωγραφικής πυκνότητας (optimal geographical density control)(ogdc). Σε κάθε χρονική στιγμή κάθε κόμβος μπορεί να βρίσκεται σε μία από τις ακόλουθες καταστάσεις: αναποφάσιστος (undecided), ενεργός(on) και ανενεργός(off).ο αλγόριθμος τρέχει σε γύρους, και στο ξεκίνημα του κάθε γύρου ένα σύνολο από έναν ή περισσότερους κόμβους επιλέγεται σαν σύνολο λειτουργικών κόμβων εκκίνησης. Μετά από ένα διάστημα αναμονής ένας κόμβος εκκίνησης κάνει broadcast ένα μήνυμα ενεργοποίησης και αλλάζει την κατάστασή του σε ενεργή. Το μήνυμα ενεργοποίησης περιέχει: (1) τη θέση του αποστολέα και (2) την τοποθεσία στην οποία θα πρέπει να βρίσκεται ο λειτουργικός κόμβος. Η τοποθεσία που αναφέρεται από το μήνυμα ενεργοποίησης του κόμβου εκκίνησης είναι τυχαία κατανεμημένη. Επιλέγοντας κόμβους εκκίνηση τυχαία στο ξεκίνημα κάθε γύρου εξασφαλίζεται ομοιόμορφη κατανάλωση ενέργειας σε όλο το δίκτυο. Επίσης, η χρήση του μηχανισμού χρόνου αναμονής πριν σταλεί το broadcast μήνυμα είναι για να αποφευχθούν τυχών συγκρούσεις πακέτων. Στο ξεκίνημα του κάθε γύρου, όλοι οι κόμβοι βρίσκονται σε κατάσταση undecided και θα αλλάξουν σε on ή of μέχρι την έναρξη του επόμενου γύρου. Αυτή η αλλαγή γίνεται με βάση το μήνυμα ενεργοποίησης που λαμβάνεται από κάθε κόμβο. Κάθε κόμβος διατηρεί μία λίστα με πληροφορίες για τους γειτονικούς του κόμβους. Μόλις ένας κόμβος λάβει ένα μήνυμα ενεργοποίησης, ελέγχει εάν οι γείτονές του καλύπτουν την περιοχή αισθητικότητας του, και εάν την καλύπτουν εισέρχεται σε κατάσταση απενεργοποίησης. Ένας κόμβος αποφασίζει να αλλάξει την κατάστασή του σε ενεργοποιημένος εάν είναι ο κοντινότερος κόμβος στην ιδανική τοποθεσία που θα πρέπει να βρίσκεται ο κάθε κόμβος