MANET 클러스터링 알고리즘 종합 탐구: 효율·안정성·모빌리티 관점

본 논문은 모바일 애드혹 네트워크(MANET)에서 클러스터링이 라우팅 효율과 네트워크 확장성을 향상시키는 핵심 기술임을 전제로, 기존에 제안된 다양한 클러스터링 알고리즘을 체계적으로 정리하고 비교한다. 먼저 서론에서는 MANET의 특성—고정 인프라 부재, 노드 이동에 따른 토폴로지 급변, 제한된 배터리와 처리 능력—을 언급하고, 이러한 환경에서 평면 라우팅 방식이 초래하는 과도한 제어 트래픽 문제를 지적한다. 클러스터링은 노드를 그룹화하고 각 그룹에 클러스터 헤드(CH)를 두어 라우팅 정보를 클러스터 단위로 축소함으로써 오버헤드를 감소시키는 방법으로 소개된다. 논문은 클러스터링 기법을 네 가지 큰 범주로 나눈다. 1. **식별자 기반(Identifier‑based) 클러스터링** - *Lowest ID Cluster (LIC)*: 가장 작은 ID를 가진 노드를 CH로 선정한다. 구현이 간단하지만 ID가 작을수록 지속적으로 CH 역할을 수행하게 되어 에너지 소모가 불균형하게 된다. - *Max‑Min d‑hop*: d‑hop 이내 노드들을 하나의 클러스터로 정의하고, ID를 기준으로 CH를 교체한다. 비동기식으로 동작해 동기화 오버헤드가 없으며, d값을 조절해 클러스터 밀도를 제어할 수 있다. 2. **연결성 기반(Connectivity‑based) 클러스터링** - *Highest Connectivity Clustering (HCC)*: 이웃 수(차수)가 가장 많은 노드를 CH로 선택한다. 차수가 높은 노드가 자연스럽게 중심이 되지만, 클러스터 크기 제한이 없어 과부하가 발생할 수 있다. - *K‑CONID*: 차수와 ID를 복합적으로 고려해 K‑hop 이웃 내에서 가장 연결된 노드를 CH로 선정한다. 차수 충돌 시 ID가 낮은 노드가 우선한다. - *Adaptive Cluster Load Balance*: CH가 관리 가능한 멤버 수를 초과하면 새로운 노드가 기존 CH에 가입하지 못하도록 제한해 부하를 균등하게 분산한다. - *Adaptive Multihop Clustering*: 상·하한(U, L)을 설정해 클러스터 크기를 동적으로 조절한다. 클러스터가 과도하게 커지면 분할하고, 작아지면 인접 클러스터와 병합한다. 다만 새로운 클러스터의 CH 선정 방법이 명시되지 않는다. 3. **모빌리티 인식(Mobility‑aware) 클러스터링** - *Mobility‑based d‑hop*: 수신 신호 강도와 거리 변화를 이용해 상대 이동성을 계산하고, 로컬 안정도가 가장 높은 노드를 CH로 선정한다. 클러스터 직경을 d‑hop으로 제한해 이동성에 따라 유연하게 조정한다. - *Mobility Based Metric*: 각 노드의 속도 분산을 측정해 주변 노드와 상대적으로 움직임이 적은 노드를 CH로 선택한다. 타이머 기반 유지보수로 불필요한 재클러스터링을 억제한다. - *(a, t) Framework*: 일정 시간 t 동안 경로 가용성이 확률 a 이상인 다중홉 클러스터를 형성한다. 미래 링크 상태를 예측해 경로 가용성을 정량화함으로써 고이동성 상황에서도 라우팅 오버헤드를 제어한다. 4. **저비용 유지보수(Low‑cost Maintenance) 클러스터링** - *Least Cluster Change (LCC)*: 초기에는 LIC와 동일하게 가장 낮은 ID를 가진 노드를 CH로 선정하고, 두 가지 이벤트(인접 CH 간 충돌, 노드가 CH에 접근 불가)만 발생하면 재구성을 수행한다. 재구성 빈도가 낮아 안정성이 높지만, 단일 노드 이동 시 전체 클러스터 재구성이 필요할 수 있다. - *Adaptive Clustering for Mobile Wireless Network*: 각 노드가 자신의 ID와 이웃 ID를 저장하고, 가장 낮은 ID를 가진 노드가 CH가 된다. 클러스터 유지 단계에서는 2‑hop 거리 초과 시만 재구성을 트리거한다. 각 알고리즘에 대해 장점(에너지 균형, 낮은 오버헤드, 빠른 적응)과 단점(클러스터 크기 제한 부재, 재구성 비용, CH 선정 기준의 복잡성 등)을 상세히 논의한다. 또한, 알고리즘 선택 시 고려해야 할 네트워크 파라미터(노드 밀도, 이동 패턴, 애플리케이션 요구사항)를 제시한다. 결론에서는 현재까지 제안된 클러스터링 기법들이 각각 특정 상황에 최적화되어 있음을 강조하고, 향후 연구 방향으로는 다중 기준(에너지, 연결성, 모빌리티)을 통합한 하이브리드 알고리즘 개발과, 실시간 네트워크 상태에 따라 동적으로 파라미터를 조정하는 적응형 프레임워크의 필요성을 제시한다.