배터리 기반 적응형 가중 클러스터링 알고리즘

초록

본 논문은 배터리 잔량과 이동성 등을 고려한 가중치를 사전에 계산하고, 클러스터‑헤드 확률(ChProb)을 이용해 새로운 노드의 진입 시 재클러스터링 비용을 최소화하는 Probability Based Adaptive Invoked Weighted Clustering Algorithm(PAIWCA)를 제안한다. 시뮬레이션 결과, 기존 Weighted Clustering Algorithm(WCA)과 Maximal Weighted Independent Set(MWIS)에 비해 형성되는 클러스터 수 감소, 네트워크 연결성 향상, 지배 집합 업데이트 감소, 전송량 및 패킷 전달률 개선을 보였다.

상세 분석

PAIWCA는 기존 WCA가 클러스터링 과정에서 모든 노드의 가중치를 실시간으로 계산해야 하는 단점을 보완한다. 논문에서는 각 노드가 전송 범위(Tr), 전송률(Tx), 평균 이동 속도(Mv), 소모 전력(Pv)이라는 네 가지 독립적인 파라미터를 이용해 사전 가중치 Wv를 산출하고, 이를 기반으로 최소 가중치를 가진 노드를 클러스터‑헤드로 선정한다. 여기서 핵심적인 혁신은 “클러스터‑헤드 확률(ChProb)”이다. ChProb은 잔여 에너지 비율(Eresidual/Emax)과 전송 범위(Tr)를 결합한 형태이며, 일정 임계값(Pmin) 이하로 떨어지면 자동으로 재선출을 트리거한다. 이 메커니즘은 새로운 노드가 기존 클러스터에 진입했을 때, 기존 헤드보다 ChProb이 높으면 즉시 헤드 교체를 허용함으로써 전체 토폴로지를 재구성하지 않고도 헤드 교체가 가능하게 만든다. 결과적으로 클러스터 재구성 오버헤드가 크게 감소하고, 헤드의 배터리 소모가 고르게 분산된다.

시뮬레이션 설정은 10300개의 노드, 500 × 500 m 영역, 전송 범위 5200 m, 최대 속도 10~100 m/s 등 다양한 파라미터를 포괄한다. 주요 성능 지표는 (1) 형성된 클러스터 수, (2) 네트워크 연결성, (3) 지배 집합 업데이트 횟수, (4) 전체 네트워크 스루풋, (5) 패킷 전달률(PDR)이다. 결과는 PAIWCA가 클러스터 수를 최소화하고, 전송 범위가 증가할수록 100 %에 가까운 연결성을 유지함을 보여준다. 또한, 지배 집합 업데이트가 적어 클러스터‑헤드 교체가 드물어 네트워크 안정성이 향상된다. 스루풋 그래프는 시뮬레이션 시간에 따라 꾸준히 상승하며, PDR은 이동성(Pause time)이 낮을수록 감소하는 기존 알고리즘과 달리 PAIWCA는 높은 이동성에서도 비교적 안정적인 전달률을 유지한다.

하지만 몇 가지 한계도 존재한다. 첫째, 논문은 클러스터링 수행 중 토폴로지가 정적이라고 가정하고 있어, 급격한 네트워크 파편화 상황에서는 성능이 어떻게 변하는지 검증되지 않았다. 둘째, 가중치 상수(w1~w4)와 임계값(Pmin)의 선택이 실험에 크게 의존하는데, 이들 파라미터에 대한 민감도 분석이 부족하다. 셋째, 시뮬레이션은 NS‑2 기반 랜덤 웨이포인트 모델에 국한돼 실제 무선 채널 특성(간섭, 패킷 손실 등)을 반영하지 않는다. 마지막으로 알고리즘의 시간·공간 복잡도에 대한 이론적 분석이 부재하여, 대규모 네트워크에서의 확장 가능성을 판단하기 어렵다. 이러한 점들을 보완한다면 PAIWCA는 실용적인 MANET 클러스터링 솔루션으로 자리매김할 가능성이 크다.