فایل ورد کامل مقاله مدل‌های کم‌مصرف مبتنی بر تراکم داده‌ها؛ بررسی علمی در شبکه‌های حسگر بی‌سیم

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل مقاله مدل‌های کم‌مصرف مبتنی بر تراکم داده‌ها؛ بررسی علمی در شبکه‌های حسگر بی‌سیم دارای ۸۵ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل مقاله مدل‌های کم‌مصرف مبتنی بر تراکم داده‌ها؛ بررسی علمی در شبکه‌های حسگر بی‌سیم  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل مقاله مدل‌های کم‌مصرف مبتنی بر تراکم داده‌ها؛ بررسی علمی در شبکه‌های حسگر بی‌سیم،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل مقاله مدل‌های کم‌مصرف مبتنی بر تراکم داده‌ها؛ بررسی علمی در شبکه‌های حسگر بی‌سیم :

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

چکیده:
تراکم داده ها در شبکه های سنسور بی سیم افزونگی را حذف می کند تا مصرف پهنای باند و بازده انرژی گوه ها را توسعه دهد. این مقاله یک پروتکل تراکم داده های energy- efficient امن را که (Energy- Efficient Secure Pattern based Data Aggregation) ESPDA الگوی امن energy- efficient بر پایه تراکم داده ها) نامیده می شود ارائه می کند. برخلاف تکنیکهای تراکم داده های قراردادی، ESPDA از انتقال داده های اضافی از گره های سنسور به cluster- headها جلوگیری می کند. اگر گره های سنسور همان داده ها را تشخیص داده و دریافت کنند، ESPDA ابتدا تقریباً یکی از آنها را در وضعیت خواب (sleep mode) قرار می دهد و کدهای نمونه را برای نمایش

مشخصات داده های دریافت و حس شده توسط گره های سنسور تولید می کند. Cluster- head ها تراکم داده ها را مبنی بر کدهای نمونه اجرا می کند و فقط داده های متمایز که به شکل متن رمز شده هستند از گره های سنسور به ایستگاه و مکان اصلی از طریق Cluster- headها انتقال یافته است. بعلت استفاده از کدهای نمونه، Cluster- headها نیازی به شناختن داده های سنسور برای اجرای تراکم داده‌ها ندارند. زیرا به گره های سنسور اجازه می دهد تا لینک های ارتباطی سرهم پیوسته (end-to-end) امن را برقرار کنند. بنابراین، نیازی برای مخفی سازی/ آشکار سازی توزیع کلید مابین Cluster- head ها و گره های سنسور نیست. بعلاوه، بکار بردن تکنیک NOVSF block- Hopping، امنیت را بصورت تصادفی با عوض کردن با نگاشت بلوک های داده ها به time slotهای NOVSF اصلاح کرده و آن را بهبود می بخشد. ارزیابی کارایی نشان می دهد که ESPDA روش های تراکم داده های قراردادی را به بیش از ۵۰% در راندمان پهنای باند outperform می کند.

۱- مقدمه: شبکه های سنسور بی سیم، بعنوان یک ناحیه و منطقه جدید مهم در تکنولوژی بی سیم پدیدار شده اند. در آینده نزدیک، شبکه های سنسور بی سیم منتظر هزاران گره ارزان و کم هزینه و داشتن هر توانایی (Sensing capability) sensing با توان ارتباطی و محاسباتی محدود شده بوده اند. چنین شبکه های سنسوری منتظر بوده اند تا در بسیاری از موارد در محیط های عریض گوناگونی برای کاربردهای تجاری، شخصی و نظامی از قبیل نظارت، بررسی وسیله نقلیه و گردآوری داده های صوتی گسترش یافته باشند. محدودیتهای کلید شبکه های سنسور بی سیم، ذخیره سازی، توان و پردازش هستند. این محدودیتها و معماری ویژه گره های سنسور مستلزم انرژی موثر و پروتکلهای ارتباطی امن هستند. امکان و اجرای این شبکه های سنسور کم هزینه با پیشرفت هایی در MEMS (سیستم های میکرومکانیکی micro

electromechanical system)، ترکیب شده با توان کم، پردازنده های سیگنال دیجیتالی کم هزینه (DSPها) و مدارهای فرکانس رادیویی (RF) تسریع شده اند.
چالش های کلید در شبکه های سنسور، برای بیشینه کردن عمر گره های سنسور به علت این امر است که برای جایگزین کردن و تعویض باطری های هزاران گره سنسور امکان پذیر نیست. بنابراین عملیات محاسباتی گره ها و پروتکلهای ارتباطی باید به اندازه انرژی موثر در صورت امکان ساخته شده باشد. در میان این پروتکلها، پروتکلهای انتقال داده ها بر حسب انرژی از اهمیت ویژه ای برخوردارند، از آنجائیکه انرژی مورد نیاز برای انتقال داده ها ۷۰% از انرژی کل مصرفی یک شبکه سنسور بی سیم را می

گیرد. تکنیکهای area coverage و تراکم داده ها می توانند کمک بسیار زیادی در نگهداری منابع انرژی کمیاب با حذف افزونگی داده ها و کمینه ساختن تعداد افتقالات داده ها بکنند. بنابراین، روشهای تراکم داده ها در شبکه های سنسور، در همه جا در مطبوعات مورد تحقیق و بررسی قرار گرفته اند، در SPIN (پروتکلهای سنسور برای اطلاعات از طریق مذاکره sensor protocols for Information via Negotiation

ارسال داده های اضافی با مذاکره meta- dataها توسط گره ها حذف شده اند. در انتشار مستقیم، شیب ها که برای جمع آوری داده ها و تراکم داده ها برقرار شده اند، کاربرد مسیرهای تقویت مثبت و منفی را بوجود می آورند. در گره های سنسور، نمونه ای از داده ها را که نشان می دهد که چگونه تفسیر سنسور به فاصله زمانی از پیش تعریف شده تغییر روش می دهد می فرستند. Cluster- headها نمونه های داده ها را جمع آوری کرده و فقط یکی از رویدادهای وخیم تطبیق یافته را می فرستد. از قبیل، پیش بینی افت درجه حرارت به طور تصادفی یک طوفان به پایگاه و مکان اصلی.

Cluster- head همچنین می تواند مطالعات نماینده k را بجای مطالعات بدست آمده n از تمامی سنسورهایش مطابق الگوریتم k-means بفرستد. امنیت در ارتباط داده ای موضوع مهم دیگری است تا طراحی شبکه های سنسور بی سیم مطرح شده باشد، همانند شبکه های سنسور بی سیم که ممکن است در مناطق دشمن از قبیل میدان های نبرد گسترش یافته باشد. بنابراین، پروتکل های تراکم داده ها باید با پروتکلهای امنیتی ارتباط داده ها بعنوان یک تعارض مابین این پروتکلها که ممکن است

سوراخ و روزنه‌هایی (loophole) را در امنیت شبکه ایجاد کنند کار کنند. این مقاله یک الگوی مطمئن و energy-efficient مبنی بر پروتکل تراکم داده ها (ESPDA) را که هر دوی تراکم داده ها و تصورات و مفهوم های کلی امنیتی را با هم در شبکه های سنسور بی سیم Cluster- head رسیدگی می کند، ارائه می کند. هرچند، تراکم داده ها و امنیت در شبکه های سنسور بی سیم در مطبوعات مورد مطالعه قرار گرفته اند، برای بهترین شناسایی و آگاهی ما این مقاله نخستین مطالعه برای رسیدگی کردن به تکنیکهای تراکم داده ها بدون مصالحه امنیت است. ESPDA کدهای نمونه را برای اجرای تراکم داده ها بکار می برند. کدهای نمونه اساساً نماینده بخش های داده ها

هستند که از داده های واقعی به چنین روشی که هر کد نمونه مشخصات مخصوص داده های واقعی متناظر را دارد اقتباس شده است (گرفته شده است). فرآیند اقتباس یا استخراج ممکن است وابستگی به نوع داده های واقعی را تغییر دهد.

برای مثال: وقتی که داده های واقعی تصورات حس شده موجودات بشر توسط سنسورهای نظارت و مراقبت هستند، مقادیر پارامتر کلید برای شناسایی صورت و بدن بعنوان نماینده ای از داده ها که وابسته به نیازهای کاربردی هستند، مطرح شده اند. وقتیکه یک گره سنسور شامل واحدهای دریافت یا احساس (sensing) چند گانه

است، کدهای نمونه گره سنسور، با ترکیب کدهای نمونه واحدهای دریافت یا احساس (sensing) افرادی و فردی فراهم شده اند. بجای ارسال کل داده های حس شده و دریافت شد. (sensed) اول، گره های سنسور را تولید می کنند و سپس کدهای نمونه را به Cluster- headها می فرستند. Cluster- headها کدهای نمونه متمایز را تعیین می کنند و سپس فقط خواستار یک گره سنسور برای فرستادن داده های واقعی برای هر کد نمونه متمایز هستند. این روش دیدگاه هم انرژی و هم پهنای باند موثری را برای ESPDA بوجود می آورد. ESPDA، همچنین امن است زیرا Cluster- headها نیازی به کشف رمز داده ها برای تراکم داده ها ندارند و نه کلید رمزی سازی/ آشکار سازی

منتشر شده است. علاوه بر این، nonblocking کردن پیشنهاد شده تکنیک hopping بلوک OVSF جلوتر، امنیت ESPDA را به صورت تصادفی با عوض کردن نگاشت بلوک

های داده به time slotهای NOVSF اصلاح می کند. گره های سنسور معمولاً با چگالی عالی برای مقابله با خرابی های گره بعلت محیط های ناملایم گسترش یافته اند. گسترش تصادفی شبکه نیز در بسیاری از مناطق با بیش از یک گره سنسور پوشانده شده بود. بنابراین، آن بسیار مطلوب و پسندیده است برای مطمئن ساختن اینکه یک منطقه و محیط فقط با یک گره سنسور در هر لحظه پوشانده شده است، بطوریکه بیش از یک گره سنسور همان داده ها را دریافت و احساس نمی کند. این منجر به یک

پیشرفت برای راندمان تراکم داده ها می شود از آنجائیکه حتی داده های اضافی حس و دریافت نشده اند. در این خصوص، این مقاله یک الگوریتمی را برای هماهنگ کردن وضعیت خواب و فعال (sleep & active) به هنگام داشتن اشتراک گره های سنسور حوزه های sensing مطرح می کند. نتیجه این مقاله، بصورت زیر سازمان یافته است. بخش ۲ تراکم داده ها و پروتکل وضعیت sleep- active را شرح می دهد. بخش ۳ پروتکل امنیتی را مطرح می کند. بخش ۴ ارزیابی کارایی تراکم داده های پیشنهاد شده، پروتکل های sleep-active و پروتکل های امنیتی را ارائه می کند. تبصره ها و توجهات در بخش ۵ قرار دارند.

۲- تراکم داده ها در ESPDA (Data Aggregation in ESPDA): این مقاله در مورد شبکه‌های سنسور با ساختار سلسله مراتبی و مرتبه ای که داده ها از گره های سنسور به جایگاه اصلی از طریق Cluster- headها مسیر دهی شده اند، رسیدگی می کند. ایستگاه های اصلی برای داشتن توان کافی و حافظه برای ارتباط برقرار کردن بطور

امن و مطمئن با تمامی گره های سنسور و شبکه های خارجی از قبیل اینترنت در نظر گرفته شده و فرض شده اند. گره های سنسور بصورت تصادفی در بیش از یک فضا و محیط گسترش یافته و مستقر شده اند تا نظارت شده باشند و آنها را به درون clusterها بعد از گسترش ابتدایی سازماندهی می کنند. یک Cluster- head، از هر clusterای برای بکار بردن ارتباط مابین گره های cluster و ایستگاه اصلی انتخاب شده است. Cluster- headها بصورت پویا مبنی بر انرژی باقیمانده برای داشتن توان مصرفی یکنواخت در میان تمامی گره های سنسور عوض شده اند. از آنجائیکه انتقال و ارسال داده یک دلیل اصلی مصرف انرژی است، ابتدا ESPDA، ارسال و انتقال داده های اضافی را از

گره های سنسور به Cluster- headها با کمک پروتکل هماهنگی وضعیت sleep-active کاهش می دهد. سپس، ترام داده برای حذف افزونگی بکار گرفته شده است و برای تعداد ارسال ها را برای ذخیره سازی انرژی به حداقل رسانده است. در روش های تراکم داده های قراردادی، Cluster- headها، تمامی داده ها را از گره های سنسور دریافت می کنند و سپس افزونگی را با بررسی محتویات داده های سنسور حذف می کنند. ESPDA کدهای نمونه را بجای داده های حس شده یا دریافت شده (sensed) برای اجرای تراکم داده بکار می برد، بنابراین، محتویات داده های ارسال شده مجبور نیستند تا در Cluster- headها آشکار و فاش شده باشند. این قادر می سازد تا ESPDA

در ترکیب عطفی (اتصال، پیوستگی) با پروتکل امنیتی کار کند. در پروتکل امنیتی و sensor data، که به عنوان غیراضافی (non-redundant) با Cluster- headها شناسایی شده اند، به ایستگاه اصلی که به شکل به رمز درآمده است، انتقال یافته است. کدهای نمونه با بکار بردن یک انتشار جستجوی نمونه محرمانه بوسیله Cluster- head بصورت دوره ای تولید شده اند. جستجوی (seed) نمونه یک عدد تصادفی بکار رفته برای پیشرفت و اصلاح قابلیت اعتماد کدهای نمونه با اجازه ندادن به همان کدهای

نمونه تولید شده در هر زمان است. چنانچه جستجوی نمونه تغییر یافته است، الگوریتم تولید نمونه، یک کد نمونه متمایزی را برای همان داده سنسور تولید می کند. بنابراین، افزونگی حتی قبل از اینکه داده های سنسور از گره های سنسور انتقال یافته باشند، حذف شده است.

۱-۲- هماهنگی وضعیت بیداری- خواب (Sleep- Active mode coordination) : گره سنسور به هر دو وضعیت بیکار (idle) یا وضعیت فعال برای عملکرد sensing مبنی بر اتصال و محیط دریافت (sensing) شرایط است. یک روش و تکنیک متمرکز شدن روی کاستن داده اضافی است تا از گره های سنسور به Cluster- headها انتقال داده شده باشند. در ESPDA، بسته های افزونه قبلاً در سطح Cluster- head حذف شده اند ولی هنوز مراقبت انرژی با بکار بردن سرشت ارتباطی data driven (data driven communication nature)

از شبکه سنسور بی سیم امکان پذیر است. شناسایی گره هایی که حوزه های دریافت اشتراکی دارند و در حال خاموش کردن واحدهای دریافتی برخی از آن گره ها برای یک مقدار کران دار از زمان اتلاف انرژی را از وقتیکه این گره ها داده های اضافی را به علت همپوشی و داشتن اشتراک تولید خواهند کرد، کاهش می دهند. بیشتر مدل های انرژی امواج رادیویی مطبوعات، وضع ارتباطی گره های سنسور بی سیم را تائید می کنند بحث در مورد بهره ها و سودهای اضافی توسط روش هماهنگی data

driven sleep که ممکن است قابل توجه نباشد، امکان پذیر است. اگرچه، مزایای این تکنیک می تواند مشاهده شده باشد اگر یکی روی عملکرد یک شبکه سنسور تمرکز کند. رسیدگی یک مورد در یک چنین محیط دریافت گره در اتحاد مناطق دریافتی همسایگانش است، هرگاه یک رویداد در محدوده دریافت اتفاق می افتد، کد نمونه متناظر (متشابه) را به Cluster- head آن در میان همسایگانش خواهد فرستاد. از آنجائیکه بسته آن سرانجام در Cluster- head حذف خواهد شد، این یک انتقال اضافی است.

توجه داشته باشید که: این یک سناریوی best-case است از آنجائیکه تمامی همسایگانش به همان Cluster- head ارسال می کنند. این امکان پذیر است که این گره به یک Cluster- head متمایز و متفاوت، همسایگانش را به علت الگوی دسته بندی خودش گزارش می کند. کلید نقطه برای نتیجه گیری از این مشاهده این است که، خرابی برای حذف کردن یک ارسال افزونه در گره سنسور آغازی ممکن است در یک تعداد از انتقالات غیرلازم و غیرضروری در دسته بندی سلسله مراتبی که ممکن است فقط در

Cluster- headهای سطح بالاتر یا در ایستگاه اصلی در بدترین مورد حذف شده باشد، حاصل شود. در پروتکل خواب (sleep) یک گره سنسور با همسایگانش برای شناختن corerage regionهای اشتراکی همکاری می کند. گره های مجاور می توانند، با یکدیگر از طریق Cluster- head ارتباط برقرار کنند. لفظ sleep protocol برای نسبت دادن خاموش کردن واحد دریافت گره ها نسبت به خاموش کردن امواج رادیویی بکار رفته است. کل عمر شبکه به شکاف (slot)های با طول ثابت مدت زمان T که در شکل ۱ نشان داده شده است تقسیم شده است. هر شکافی شامل مراحل مشاهده، فراگیری و تصمیم است. هر گره که بیدار است، بافر محلی اش را مبنی بر رویدادهایی که در مرحله مشاهده آن اتفاق می افتد به روز می کند (update). در مرحله یادگیری، گره ها، خلاصه محتویات بافرشان را از قبیل: محموعه مقادیر hash رویدادهای مشاهده

شده با همسایگانشان مبادله می کنند. در مرحله تصمیم، هر گره قابلیتش را برای نگهداری واحد دریافت on/ off برای یک مدت z (مضربی از T) ارزیابی می کند و تصمیمش را به همسایگانش منتشر می کند. ترتیب انتشارها برای گره ها، به صورت (z/z¬max)*B که B مقدار ثابت کوچکتر از T است و Z (مضرب T) مدت زمان خواب

قبلی گره است و zmax (مضرب T) زمان حداکثر است که یک گره می تواند به ترتیب بخوابد، مرتب شده اند. انگیزه مرتب سازی انتشارها برای کاهش کشمکش ها و prioritize کردن گره ها است که قادر نیستند که در مراحل تصمیم قبلی بخوابند وقتیکه مدت و زمان آن به اتمام برسد، هرگره الگوریتم زیر را اجرا می کند:
Algorithm. On Broad cast Timer Expire ( )
Begin
۱. if ( اگر رویدادها توسط همسایگانی که هنوز تصمیمشان را منتشر نکرده اند در بافر مشاهده شده باشد)
۲ Z’ = min (2*ZE , Zmax)
۳. Broadcast sleep decision to neighbors
۴. خاموش می کندz را برای مدت Sensing unit
۵. else
۶. Z’=۰۵*T
۷. برای شکاف بعدی بیدار می ماند.
۸ Endif
۹. را خالی می کند event butter
END.
ترتیب زمان خواب شبیه به الگوریتم back off نمایی دودویی است. در پایان زمان خوابش، هر گره، برای مدت یک شکاف تا ضوابط تصمیم گیری آنرا روی مشاهدات اخیر و تغییرات در شبکه و محیط (شکل ۲) پایه قرار می دهد. ارزیابی کارایی پروتکل sleep در بخش ۱-۴ ضمیمه شده است.
۲-۲- بکاربردن کدهای نمونه تراکم داده‌ها: (Data aggregation using pattern codes):

الگوریتم (PG) pattern generation روی تمامی گره های سنسور برای تولید کد نمونه مخصوص و ویژه برای داده های دریافت یا حس شده (sensed) اجرا شده است. در این الگوریتم، داده های سنسور به یک مجموعه از اعداد و شماره اه نگاشت شده است و محدوده این اعداد به فاصله هایی تقسیم شده‌اند از قبیل کران ها و عرض فاصله ها که توسط مقادیر از پیش تعریف شده سر حد تعیین شده اند. تعداد مقادیر سرحد و تغییر فاصله ها ممکن است به نیازهای کاربر و دقت تعریف شده و تعیین شده برای محیطی در چنین شبکه ای که گسترش یافته است، بستگی داشته باشد. سپس الگوریتم pattern generation مقادیر شاخص را برای هر فاصله با بکار بردن pattern

seed تخمین می زند و جدول‌های جستجو، فاصله و ارزش بحرانی را تولید می کند. جدول جستجوی فاصله محدوده ای از هر فاصله را تعریف می کند و جدول جستجوی ارزش بحرانی (critical value) هر فاصله را به یک مقدار و ارزش بحرانی نگاشت می کند، مقادیر بحرانی ممکن است بعنوان یک برای اولین فاصله تعیین شده باشد و با وجود آخرین فاصله به ۹ تغییر یابد. این مقادیر بحرانی یک پایه و مبنا را برای تولید کدهای نمونه تشکیل می دهند. مشخصات داده های سنسور با پارامترهایی از قبیل درجه حرارت یا رطوبت هوا نمایش داده شده اند. وقتی داده ها از محیط دریافت می شوند، پارامترهای آن با فاصله های تعریف شده در جدول جستجوی الگوریتم PG

مقایسه شده اند و مقادیر بحرانی متناظر به هر پارامتری ارجاع داده شده است. الحاق و اضافه کردن مقادیر بحرانی همه پارامترهای داده ها، کد نمونه را تولید می کنند. Sensor ID , timestamp به کدهای نمونه اضافه شده اند وقتیکه آنها به Cluster- head، ارسال شده اند. الگوریتم مقایسه (pattern comparison) از ارسال داده های اضافی جلوگیری می کند. گره های سنسور، یک مجموعه از داده های رمزی شده را که هیچگونه افزونگی ندارد به ایستگاه اصلی از طریق Cluster- head می فرستد. در الگوریتم pattern generation ، pattern seed برای ایجاد و تولید کدهای نمونه استفاده شده است. وقتی clusterها در ابتدا در شبکه مستقر شده اند، گره های سنسور

pattern seed محرمانه را از Cluster- headهای متناظرشان که pattern seed یک عدد تصادفی تولید شده است و توسط Cluster- head به شکل رمزی شده منتشر می شود، دریافت می کنند. جزئیات اینکه، pattern seed که مطمئناً منتشر شده است، در بخش ۱-۳ ارائه شده است. Pattern seed برای پیشرفت قابلیت اعتماد کدهای نمونه با تصویب نکردن همان کدهای نمونه تولید شده در هر زمان بکار برده شده است. همچنانکه pattern seed تغییر یافته است، الگوریتم pattern generation یک کد نمونه متمایزی را برای همان داده ها تولید می کند. بنابراین، pattern seed در فاصله های زمانی منظمی تغییر یافته 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
۱. variable PC=[ ] ; // pattern-code مقدار دهی اولیه به
۲ for ead data parameter
۳. Declare n; // Number of data intervals for this data type

۴ Declare interval [n] , critical value [n]; // جستجوی جداول
۵ برای پارامترهای داده متناظر استخراج می کنند. D داده ها را از
۶ ‌گرد کردن داده ها برای دقت موردنیاز با پارامترهای داده متناظر
۷ for I=1 to n

۸ interval [I]= threshold [I-1] threshold [I]
۹. end for
۱۰. if فرستاده شد) cluster- headجدیدی توسط seed) then

۱۱ //نگاشت مقادیر بحرانی را به فاصله های داده ها دوباره انجام می دهد
۱۲ for I=1 to 5
۱۳. critical value [I] = S (critical value [I] , seed)
۱۴. end for
۱۵. end if
۱۶. می‌یابد critical value , interval مقدار بحرانی مربوطه را هر داده جاری دریافت شده با بکار بردن جداول جستجوی
۱۷ PC= PC + [critical value] ; //
۱۸. end for;

۱۹ PC= PC+ [Time stamp] +[Sensor Id] ; // را اضافه می کند. Id و Timestamp
END
۱-۲-۲- مثالی برای Pattern generation : D (d1 , d2 , d3) داده های دریافت شده را با ۳ پارامتر d3 , d2 , d1 به نمایندگی درجه حرارت، فشار و رطوبت هوا به ترتیب در یک محیط معین مشخص می کند. هر پارامتر دریافت شده، برای داشتن مقادیر سرحد مابین محدوده ۰ تا ۱۰۰ فرض شده است. الگوریتم pattern generation ، مراحل زیر را اجرا می‌کند.

۱-Pattern code تولید شده به pattern code خالی (خط ۱) مقدار دهی اولیه شده است.
۲- الگوریتم مقادیر sensor reading بالا را برای پارامترهای داده ها که دریافت شده اند، تکرار می‌کند. در این مورد، در ابتدا درجه حرارت را مورد رسیدگی قرار می دهد. (خط ۲)
۳- پارامتر درجه حرارت از sensor reading D اقتباس و گرفته شده است. (خط ۵)
۴- برای پارامتر درجه حرارت، الگوریتم ابتدا چک می کند که چگونه یک seed جدید از cluster- head دریافت شده است (خط ۱۰). ورود یک seed نگاشت مقادیر بحرانی را به فاصله های داده ها تازه می کند.

۵- فاصله داده ها که شامل درجه حرارت دریافت شده است، از جدول interval پیدا شده است. سپس، از مقدار فاصله، مقدار بحرانی متناظر از جدول critical value (خط ۱۶) تعیین شده است.

۶- PC به مقدار بحرانی یافته شده جدید (خط ۱۷) تنظیم شده است. برای رطوبت هوا و فشار، مقادیر بحرانی متناظر به آخر بخشی از PC ساخته شده و تشکیل شده اضافه شده‌اند.
۷- مراحل قبلی برای مطالعات فشار و رطوبت هوا اضافه شده اند.

۸- وقتیکه کد نمونه کامل تولید شده است، timestamp و sensor identifier با کد نمونه به cluster-head (خط ۱۹) فرستاده شده است.
در این مثال، داده های دریافت شده توسط سنسور ۱ و سنسور ۳ با یکدیگر از مقایسه مقادیر که نمونه آنها و ۷۴۷ بطور یکسان تعیین شده اند. بطور مشابه، داده های دریافت شده توسط سنسور ۲ و سنسور ۴ و سنسور ۵ یکسان هستند. (مقدار ۷۵۵ کد نمونه). کدهای نمونه با مقدار یکسان بعنوان یک مجموعه زاید و اضافی نسبت داده شده است. از اینرو، cluster- head، فقط سنسور ۱ و ۴ را برای ارسال داده ها از هر مجموعه اضافی مبنی بر timestampها مطابق الگوریتم شرح داده شده pattern comparison زیر انتخاب می کند.

۳-۲- مقایسه نمونه با (pattern comparison by cluster-head) : cluster head منتظر گره های سنسور می ماند تا کدهای نمونه را انتقال دهد و آنها را ارسال کند. بعد از دریافت کدهای نمونه از گره های سنسور برای یک دوره T ، مجموعه یکپارچه و دست نخورده‌ای از کدها، مبنی بر افزونگی طبقه بندی شده است. تغییرات دوره T ، روی محیطی که شبکه سنسور گسترش یافته است مبنا قرار داده شده است. سپس نمونه های منحصر به فرد به مجموعه انتخاب شده ای از کدها نقل مکان کرده اند. گره های سنسور که مشابه مجموعه نمونه منحصر به فرد (مجموعه انتخاب شده selected – set) هستند، برای انتقال داده های واقعی درخواست شده اند. سیگنال های ACK ممکن است، به سنسورهای دیگر برای در کردن داده هایشان (داده های اضافی) منتشر شده باشند. این گره های سنسور می توانند، برای ذخیره و نگهداری توان در وضعیت خواب قرار داده شده باشند.