قیمت 19,000 تومان
شبكه های حسگر بیسیم با استفاده از آتوماتای یادگیر سلولی
پایان نامه دستيابي به كيفيت سرويس در شبكه هاي حسگر بيسيم با استفاده از آتوماتاهای یادگیر سلولی
فهرست مطالب
چکيده 9
1- مقدمه 10
1-1- شبكه هاي حسگر بي سيم 10
1-1-1- مسائل مطرح در شبکه هاي حسگر بي سيم 13
1-1-2- پوشش محيط در شبكه هاي حسگر بي سيم 15
1-1-3- خوشه بندي در شبکه هاي حسگر بي سيم 16
1-1-4- تجميع داده ها در شبكه هاي حسگر 17
1-2- کيفيت سرويس در شبکه هاي حسگر بي سيم 18
1-2-1- کيفيت سرويس در شبکه هاي داده اي سنتي 20
1-2-2- کيفيت سرويس در شبکه هاي حسگر بي سيم 26
1-3- آتوماتاهای یادگیر 29
1-3-1- آتوماتای یادگیر 31
1-3-2- معيار‌هاي رفتار آتوماتای یادگیر 34
1-3-3- الگوريتمهاي يادگيري 35
1-3-4- آتوماتای یادگیر با عملهاي متغير 39
1-4- آتوماتای یادگیر سلولي 40
1-4-1- آتوماتاي سلولي 40
1-4-2- آتوماتای یادگیر سلولي (CLA) 44
1-4-3- آتوماتاي يادگير سلولي نامنظم (ICLA) 47
1-5- اهداف پايان نامه و ساختار آن 48
2- پوشش محيط در شبكه هاي حسگر بي سيم با استفاده از آتوماتاهاي يادگيرسلولي 50
2-1- مقدمه 50
2-1-1- اشكال مختلف طراحي 51
2-2- دسته بندي مسائل پوشش در شبکه هاي حسگر 52
2-2-1- پوشش ناحيه اي 53
2-2-2- پوشش نقطه اي 56
2-2-3- پوشش مرزي 57
2-3- روش پوشش CCP 59
2-3-1- فرضيات مسئله 59
2-3-2- تشريح روش 59
2-4- حل مسئله پوشش(k-پوششي ) با استفاده از آتوماتاهاي يادگير 61
2-4-1- فرضيات و مدل مسئله 63
2-4-2- روش تشخيص افزونه بودن نود حسگر 64
2-4-3- شبيه سازي 72
2-5- جمع بندي 79
3- خوشه بندي در شبکه هاي حسگر بي سيم با استفاده از آتوماتاهاي يادگير سلولي 80
3-1- مقدمه 80
3-2- کارهاي انجام شده 83
3-2-1- پروتکل خوشه بندي LEACH 85
3-2-2- پروتکل خوشه بندي HEED 88
3-3- خوشه بندي در شبکه هاي حسگر بي سيم با استفاده از آتوماتاهاي يادگير سلولي 93
3-3-1- روش خوشه بندي پيشنهادي 94
3-3-2- شبيه سازي 102
3-4- جمع بندي 107
4- تجميع داده ها در شبكه هاي حسگر با استفاده از آتوماتاهاي يادگير 108
4-1- مقدمه 108
4-2- كارهاي انجام گرفته 109
4-3- تجميع داده ها در شبكه هاي حسگر با استفاده از آتوماتاهاي يادگير 112
4-3-1- بيان مسئله و مفروضات آن 113
4-3-2- تشريح روش پيشنهادي 115
4-4- شبيه سازي 119
4-4-1- آزمايش اول 122
4-4-2- آزمايش دوم 122
4-4-3- آزمايش سوم 123
4-5- جمع بندي 125
5- نتيجه گيري 126
6- پيوست اول: شبكه هاي حسگر بي سيم 127
6-1- تاريخچه شبكه هاي حسگر 127
6-2- ساختار هر گره حسگر 128
6-2-1- اجزاء دروني يک گره حسگر 128
6-2-2- محدوديتهاي سختافزاري يک گره حسگر 130
6-3- پشته پروتکلي 131
6-4- مزاياي شبکه هاي حسگر بيسيم 132
6-5- کاربردهاي شبکه هاي حسگر بيسيم 134
7- پيوست دوم:آتوماتاي يادگيرسلولي 138
7-1- تاريخچه آتوماتاي يادگير 138
7-2- معيار‌هاي رفتار اتوماتاي يادگير 139
7-3- آتوماتاي يادگير با عملهاي متغير 141
7-4- آتوماتاي يادگير تعقيبي 142
7-5- آتوماتاي يادگير سلولي (CLA) 150
7-6- آتوماتاي يادگير سلولي باز(OCLA) 151
7-7- آتوماتاي يادگير سلولي ناهمگام (ACLA) 152
8- پيوست سوم: شرح نرم افزار J-Sim و پياده سازي الگوريتمهاي پيشنهادي با آن 155
8-1- مقدمه 155
8-2- شبيه ساز J-Sim 158
8-2-1- شبيه سازي شبکه هاي حسگر بي سيم با استفاده از J-sim 158
8-2-2- نصب و اجرا 162
8-3- پياده سازي الگوريتم خوشه بندي پيشنهادي 163
8-4- پياده سازي الگوريتم پوشش پيشنهادي 185
8-5- پياده سازي الگوريتم تجميع پيشنهادي 190
9- واژه نامه 195
مراجع 199
شبكه هاي حسگر بي سيم
شبكه هاي حسگر بي سيم[1] جهت جمع آوري اطلاعات در مناطقي كه كاربر نمي تواند حضورداشته باشد، مورد استفاده قرار مي گيرند. در يك شبكه حسگر، حسگرها به صورت جداگانه مقادير محلي را نمونه برداري (اندازه گيري) مي كنند و اين اطلاعات را درصورت لزوم براي حسگرهاي ديگر و در نهايت براي مشاهده گر اصلي ارسال مي نمايند. عملكرد شبكه اين است كه گزارش پديده هايي راكه اتفاق مي افتد به مشاهده گري بدهد كه لازم نيست از ساختار شبكه و حسگرها به صورت جداگانه و ارتباط آنها چيزي بداند.
اين شبکه ها مستقل و خودگردان بوده وبدون دخالت انسان کار مي کنند. معمولا تمامي گرهها همسان ميباشند و عملاً با همکاري با يكديگر، هدف كلي شبكه را برآورده مي‌سازند. هدف اصلي در شبکههاي حسگر بيسيم نظارت و کنترل شرايط و تغييرات جوي، فيزيکي و يا شيميائي در محيطي با محدوده معين، ميباشد[1, 2]. شبکه حسگر بيسيم نوع خاصي از شبکههاي موردي[2] است. مبحث شبکه هاي حسگر بي سيم يکي از موضوعات جديد در زمينه مهندسي شبکه و فناوري اطلاعات مي باشد.
پيشرفتهاي اخير در طراحي و ساخت تراشه هاي تجاري اين امكان را به وجود آورده است كه عمل پردازش سيگنال و حس كنندگي در يك تراشه يعني حسگر شبكه بي سيم انجام گردد، كه شامل سيستم هاي ميكروالكترومكانيكي [3](MEMS) مانند حسگرها، محرک ها[4] و قطعات راديويي RF مي باشد.
حسگرهاي بي سيم كوچكي توليد شده است كه قابليت جمع آوري داده از فاصله چند صد متر و ارسال داده بين حسگرهاي بي سيم به مركز اصلي را دارا مي باشد و با اين تكنولوژي اطلاعات دما – نوسانات، صدا، نور، رطوبت، و مغناطيس قابل جمع آوري مي باشد كه اين حسگرهاي بي سيم با هزينه كم و اندازه اي کوچک قابل نصب در شبكه هاي حسگر بي سيم مي باشد. اما كوچك شدن حسگرهاي بي سيم داراي معايبي نيز مي باشد. تكنولوژي نيمه هادي باعث بوجود آمدن پردازنده هاي سريع با حافظه بالا شده است اما تغذيه اين مدارات هنوز هم يك مشكل اساسي است كه محدود به استفاده از باطري گرديده است.
بخش منبع تغذيه يک بخش مهم و محدود است که در صورتيکه از باطري در اين شبکه ها استفاده شود، تعويض باطري ها در حالتي که تعداد نودهاي شبکه زياد باشد کاري سخت و دشوار خواهد بود و نودها به منظور ذخيره و صرفه جويي در مصرف انرژي مجبور به استفاده از ارتباطات برد کوتاه خواهند شد. تفاوت يك حسگر بي سيم كارا و يك حسگر بي سيم كه داراي كارايي كم از نظر انرژي است در عملكرد آنها در ساعت ها نسبت به هفته ها مي باشد. افزايش اندازه شبكه WSN باعث پيچيدگي مسيريابي وارسال اطلاعات به مركز اصلي مي باشد.
آتوماتای یادگیر
فرآيند يادگيري موجودات زنده يکي از موضوعات تحقيقاتي جديد بشمار مي‌آيد. اين تحقيقات به دو دسته کلي تقسيم مي‌شوند. دسته نخست به شناخت اصول يادگيري موجودات زنده و مراحل آن مي‌پردازند و دسته دوم بدنبال ارائه يک متدولوژي براي قرار دادن اين اصول در يک ماشين ميباشند. يادگيري بصورت تغييرات ايجادشده در کارايي يک سيستم بر اساس تجربه‌هاي گذشته تعريف مي‌شود[15].
يک ويژگي مهم سيستمهاي يادگير، توانايي بهبود کارايي خود با گذشت زمان است. به بيان رياضي مي‌توان اينطور عنوان کرد که هدف يک سيستم يادگير، بهينه‌سازي وظيفه‌اي است که کاملا شناخته شده نيست[16]. بنابراين يک رويکرد به اين مسأله، کاهش اهداف سيستم يادگير به يک مسأله بهينه‌سازي است که بر روي مجموعه‌اي از پارامترها تعريف مي‌شود و هدف آن پيدا کردن مجموعه پارامترهاي بهينه ميباشد.
در بسياري از مسائل مطرح شده، اطلاعي از پاسخهاي صحيح مسأله ( که يادگيري با نظارت[1] به آنها نياز دارد) در دست نيست. بهمين علت استفاده از يک روش يادگيري بنام يادگيري تقويتي[2] مورد توجه قرار گرفته است. يادگيري تقويتي نه زيرمجموعه شبکههاي عصبي است و نه انتخابي بجاي آنها محسوب مي‌شود.
بلکه رويکردي متعامد[3] براي حل مسائل متفاوت و مشکلتر بشمار مي‌رود. يادگيري تقويتي، از ترکيب برنامه‌نويسي پويا و يادگيري نظارتي براي دستيابي به يک سيستم قدرتمند يادگيري ماشين استفاده مي‌کند. در يادگيري تقويتي هدفي براي عامل يادگير مشخص مي‌شود تا به آن دست يابد. آنگاه عامل مذکور ياد مي‌گيرد که چگونه با آزمايشهاي صحيح و خطا با محيط خود، به هدف تعيين شده برسد[17].
در يادگيري تقويتي يک عامل يادگيرنده در طي يادگيري با فعل و انفعالات[4] مکرر با محيط، به يک سياست کنترل بهينه مي‌رسد. کارايي اين فعل و انفعالات با محيط بوسيله بيشينه(کمينه) بودن پاداش (جريمه) عددي که از محيط گرفته مي‌شود، ارزيابي مي‌گردد. علاوه بر اين روشهاي يادگيري تقويتي، اولاً استفاده از يادگيري به روشي ساده، سيستماتيک و واقعي براي رسيدن به يک جواب تقريباً بهينه را بيان مي‌کنند(پيدا کردن اين جواب بهينه با استفاده از روشهاي سنتي بسيار مشکل است).
ثانياً، دانشي که در طي فرآيند يادگيري بدست مي‌آيد، در يک مکانيزم نمايش دانش مانند شبکه عصبي يا جدول مراجعه ذخيره مي‌شود که از طريق آن مي‌توان با محاسبات اندک و با کارايي بالايي عمل تخصيص کانال را انجام داد. ثالثاً، از آنجايي که اين روش يادگيري در محيطي بلادرنگ در حال انجام است، مي‌توان آنرا همزمان با فعاليت محيط (مانند شبکه سلولي) انجام داد. که در اين حالت با تمام رخدادهاي پيش‌بيني نشده بصورت يک تجربه جديد برخورد مي‌شود که مي‌توان از آنها براي بهبود کيفيت يادگيري استفاده کرد[18].
مزيت اصلي يادگيري تقويتي نسبت به ساير روشهاي يادگيري عدم نياز به هيچگونه اطلاعاتي از محيط (بجز سيگنال تقويتي) [15]. يکي از روشهاي يادگيري تقويتي، اتوماتاي يادگير تصادفي[5] است. اتوماتاي تصادفي بدون هيچگونه اطلاعاتي درباره عمل بهينه (يعني با در نظر گرفتن احتمال يکسان براي تمامي‌عملهاي خود در آغاز کار) سعي در يافتن پاسخ مسأله دارد.
يک عمل اتوماتا بصورت تصادفي انتخاب شده و در محيط اِعمال مي‌گردد. سپس پاسخ محيط دريافت شده و احتمال عملها بر طبق الگوريتم يادگيري بِروز مي‌شوند و روال فوق تکرار مي‌گردد. اتوماتاي تصادفي که بصورت فوق در جهت افزايش کارايي خود عمل کند، يک اتوماتاي يادگير تصادفي گفته مي‌شود. در ادامه اين فصل به معرفي اتوماتاي يادگير تصادفي مي‌پردازيم.
يک اتوماتاي يادگير را مي‌توان بصورت يک شئ مجرد که داراي تعداد متناهي عمل است، در نظر گرفت. اتوماتاي يادگير با انتخاب يک عمل از مجموعه عملهاي خود و اِعمال آن بر محيط، عمل مي‌کند. عمل مذکور توسط يک محيط تصادفي ارزيابي مي‌شود و اتوماتا از پاسخ محيط براي انتخاب عمل بعدي خود استفاده مي‌کند. در طي اين فرآيند اتوماتا ياد مي‌گيرد که عمل بهينه را انتخاب نمايد. نحوه استفاده از پاسخ محيط به عمل انتخابي اتوماتا که در جهت انتخاب عمل بعدي اتوماتا استفاده مي‌شود، توسط الگوريتم يادگيري اتوماتا مشخص مي‌گردد. در بخش بعد جزئيات قسمتهاي يک اتوماتاي با ساختار متغير[6] معرفي مي‌شود.
(پاورقی)
[1] Supervised learning
[2] Reinforcement Learning
[3] Orthogonal
[4] Interaction
[5] Stochastic Learning Automata
[6] Variable Structure Learning Automata
ويژگي‌هاي اساسي اتوماتاي سلولي عبارتند از:
- آ- فضايي گسسته دارند.
- ب- زمان بصورت گسسته پيش مي‌رود.
- پ- هر سلولي تعداد محدودي از وضعيتهاي ممکن را اختيار مي‌کند.
- ت- تمام سلولها يکسان مي باشند.
- ث- عمل بروز در آوردن سلولها بصورت همگام ميباشد.
- ج- قوانين تصادفي نبوده و بطور قطعي اعمال مي‌شوند.
- چ- قانون در هر سايت فقط بستگي به مقادير همسايه‌هاي اطراف آن دارد.
- ح- قانون براي مقدار جديد هر سايت فقط بستگي به مقادير تعداد محدودي از مراحل قبل دارد.
براي پيچيده‌تر کردن مدل، مي‌توان تغييرات زير را برآن اعمال نمود:
- آ- افزايش تعداد ابعاد محيط
- ب- افزايش تعداد وضعيتهاي هر سلول
- پ- افزايش طول همسايگي
- ت- متغير نمودن همسايگي در طي زمان
- ث- متغير نمودن قانون در طي زمان
- ج- تغيير در شرايط مرزي
- چ- تبديل قانون اتوماتاي سلولي از حالت قطعي به حالت احتمالي
- ح- استفاده از شبکههاي با توپولوژي‌هاي متفاوت مانند شبکههاي مثلثي و شش ضلعي
در مدلسازي سيستمهاي فيزيکي و بيولوژيکي،گاهي لازم است که قوانين را بصورت احتمالي در نظر بگيريم. رفتار احتمالي را مي‌توان به عنوان نويز در سيستم تعبير نمود. همچنين با وجود اينکه سلولها را بصورت گسسته در نظر گرفته‌ايم، تعداد بسيار زيادي از آنها ممکن است رفتار پيوسته‌اي را از خود نشان دهند.
يکي از اشکالات اتوماتاي سلولي، تعيين فرم قطعي قوانين مورد نياز براي يک کاربرد خاص است. براي مثال تشخيص اين که براي رسيدن به يک هدف خاص در سمت دوم قانون چه حالتي قرار گيرد، سخت ميباشد. از طرفي تمام قوانين مطرح شده در اتوماتاي سلولي مجاز نمي‌باشند و بررسي خود اين شرط نيز در بعضي موارد طاقت فرساست. دليل ديگر نامناسب بودن اين اتوماتاي سلولي، محدوديت آن به مدل کردن سيستمهايي قطعي ميباشد. از طرفي اغلب سيستمهايي که توسط اين ابزار مدل مي‌شوند، سيستمهاي پيچيده‌اي هستند که دو ويژگي عمده در آنها به چشم مي‌خورد. يکي نويزهايي که در سيستم وارد مي‌شود و دوم عدم قطعيت و احتمالي بودن سيستم. بدين ترتيب براي چنين سيستم هايي وضع قوانين به صورت قطعي، منطقي به نظر نمي‌رسد.
آتوماتای یادگیر سلولي (CLA)
آتوماتای یادگیر سلولي، يک مدل رياضي براي سيستمهايي با اجزاي ساده است، بطوريکه رفتار هر جزء بر اساس رفتار همسايگانش و نيز تجربيات گذشته‌اش تعيين و اصلاح مي‌شود. اجزاء ساده تشکيل دهنده اين مدل، از طريق کنش و واکنش با يکديگر رفتار پيچيده‌اي از خود نشان مي‌دهند، بنابراين از آن مي‌توان در مدلسازي بسياري از مسائل بهره برد. اين مدل اولين بار در [27] معرفي شد و سپس فعاليتهايي جهت بررسي کاربردهاي گوناگون آن [28,29,30,31,32] صورت گرفت. سرانجام در [33] بيگي و ميبدي، اين مدل را بصورت رياضي مورد تحليل قرار داده و رفتار همگرايي آن را مطالعه نمودند که نتيجه قضاياي مهمي در باب قابليت همگرايي اين مدل به پاسخ بهينه محلي خود، ميباشد.
هر آتوماتای یادگیر سلولي، از يک اتوماتاي سلولي تشکيل شده است که هر سلول آن به يک يا چند اتوماتاي يادگير مجهز ميباشد که حالت اين سلول را مشخص مي‌سازد. مانند اتوماتاي سلولي، قانون محلي در محيط حاکم است و اين قانون تعيين مي‌کند که آيا عمل انتخاب شده توسط يک اتوماتا در سلول بايد پاداش داده شود ويا اينکه جريمه شود. دادن پاداش و يا جريمه باعث بروز درآورده شدن ساختار آتوماتای یادگیر سلولي بمنظور نيل به يک هدف مشخص مي‌گردد.
ايده اصلي آتوماتای یادگیر سلولي، که زير مجموعه اي از اتوماتاي يادگير سلولي تصادفي محسوب مي‌شود، استفاده از اتوماتاي يادگير براي محاسبه احتمال انتقال حالت در اتوماتاي سلولي تصادفي ميباشد. اتوماتاي يادگير سلولي را مي‌توان به دو دسته غيرهمگام[2] و همگام[3] تقسيم کرد. در مدل همگام، تمام سلولها با يک ساعت سراسري هماهنگ شده و به طور همزمان اجرا مي‌شوند.
خوشه بندي در شبکه هاي حسگر بي سيم با استفاده از آتوماتای یادگیر سلولي
همانطور که در بخشهاي قبلي مشاهده نموديد کارهاي زيادي در زمينه خوشه بندي در شبکه هاي حسگر بي سيم انجام گرفته است. کارهاي انجام گرفته را مي توان در دو گروه خوشه بندي متمرکز و توزيع شده دسته بندي کرد. در الگوريتم هاي خوشه بندي به روش متمرکز نياز به اطلاعات کلي در مورد شبکه است و در ضمن از نظر فضاي ذخيره سازي ،ايجاد ارتباط و ميزان بار محاسباتي سر بار قابل ملاحظه اي توليد مي نمايند. همچنين روشهاي متمرکز قابليت مقياس پذيري شبکه را تحت الشعاع قرار مي دهند و براي شبکه با نودهاي زياد ممکن است در عمل، الگوريتم جوابگو نباشد. بنابراين الگوريتمهاي خوشه بندي متمرکز در شبکه هاي حسگر با نودهاي فراوان قابل قبول نيستند.
جهت حل مسئله به صورت توزيع شده، انتخاب بهينه تعداد سرخوشه ها و نودهايي که بايد سرخوشه شوند، يک مسئله رام نشدني است و در ضمن به دليل تغيير مقدار انرژي نودها و نيز از بين رفتن تعدادي از نودها در طول حيات شبکه، توپولوژي شبکه و نيز نودهاي سرخوشه در طول حيات شبکه بايد تغيير کند. در اين مسئله نيز مثل بقيه مسائل از اين دست که رام نشدني هستند و راه حل مشخصي ندارند، در روشهاي هوشمند نتيجه بهتري حاصل مي گردد. روش هوشمند توزيع شده اي که جهت استفاده در اين مسئله مفيد است، آتوماتاهاي يادگير سلولي مي باشد با استفاده از اين روش کارهاي اندکي نيز صورت گرفته شده است.
در [71] با استفاده از آتوماتای یادگیر روشي براي خوشه بندي گره ها معرفي مي گردد که از انرژي باقيماندة گرهها و تعداد همسايگي براي انتخاب گرههاي سرخوشه استفاده مي كند. مشکل اصلي که در اکثر روشهاي قبلي مشاهده مي شود اين است که به کليه فاکتورهاي مورد نياز به طور همزمان توجه نمي گردد و مجبوريم به طور مطلق يک فاکتور را بر ديگري برتري دهيم. مثلا در روشهاي ارائه شده يکي از فاکتورها تعداد همسايه ها و يکي از فاکتورها ميزان انرژي باقيمانده است.
اگر يک نود که در يکي از اين فاکتورها نسبت به همسايه اش برتري دارد و در ديگري پايينتر از همسايه اش است، بخواهد پاداش يا جريمه دريافت نمايد، بايد يکي از اين فاکتورها را به ديگري رجحان دهد. ما در ادامه سعي مي نماييم روشي ارائه دهيم که نقايص روشهاي بالا را رفع نموده و خوشه هاي متوازني توليد نموده و طول عمر شبکه را افزايش دهد.
جهت مشاهده و دانلود مقالات زیر بر روی هر کدام کلیک کنید.
ادبیات شبکه حسگر بی سیم و سیستم بلوم فیلتر
جهت مشاهده نمونه های دیگر از ادبیات ، پیشینه تحقیق و مبانی نظری پایان نامه های مهندسی کامپیوتر و فناوری اطلاعات کلیک کنید.
نمونه ای از منابع
| [1] Akyildiz I. F., Su W., Sankarasubramaniam Y. and Cayircl E., “A survey on sensor networks”, in: Proceedings of the IEEE Communication Magazine, Vol. 40, pp. 102-114, August 2002. |
| [2] Ilyas M. and Mahgoub I., “Handbook of Sensor Networks: Compact Wireless and Wired Sensing Systems”, in: Proceedings of the CRC Press, London, Washington, D.C., 2005. |
| [3] Kahn J.M., Katz R.H. and Pister K.S.J., “Next century challenges: mobile networking for smart dust”, in: Proceedings of the ACM MobiCom 99, Washington, USA, pp. 271–278,1999. |
| [4] D. Chen and K. Varshney, “QoS Support in Wireless Sensor Networks: A Survey” Department of EECS, Syracuse University Syracuse, NY, U.S.A 13244, 2004 |
| [5] A. Ganz, Z. Ganz, and K. Wongthavarawat, Multimedia Wireless Networks:Technologies, Standards, and QoS , Prentice Hall, Upper SaddleRiver, NJ, 2004. |
| [6] E. Crawley et al., “A Framework for QoS-Based Routing in the Internet, ” RFC 2386, http://www.ietf.org/rfc/rfc.2386.txt, Aug. 1998. |
| [7] Z. Demetrios, “A Glance at Quality of Services in Mobile Ad-Hoc Networks, ” http://www.cs.ucr.edu/ csyiazti/cs260.html, November 2001. |
| [8] D. Zeinalipour, S. Aristeidou, S. Kazeli, “IP Quality of Services (in Greek), ” http://www.cs.ucr.edu/ csyiazti/downloads/papers/ipqos/ papers/ip-qos.pdf, 1999 |
| [9] K. Wui, J. Harms, “QoS Support in Mobile Ad Hoc Networks, ” Crossing Boundaries – an interdisciplinary Journal, Vol 1, No 1, Fall 2001. |
| [10] S. Chakrabarti and A. Mishra, “QoS Issues in Ad Hoc Wireless Networks, ” IEEE Communications Magazine, pp. 142-148, February 2001.
11-… 12-… |
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.
موارد مرتبط
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.