Protocolo ciente de correlação espacial para redes de sensores sem fio

Redes de Sensores Sem Fio (RSSFs) estão sendo cada vez mais utilizadas na vida diária das pessoas em aplicações que incluem desde monitoramento de gasto de energia em residências e prédios em geral, até monitoramento de sinais vitais para medicina assistida, monitoramento de infraestruturas físicas, vazamentos de produtos químicos ou biológicos em indústrias, vigilância para melhoria de segurança, monitoramento ambiental, dentre inúmeras outras. RSSFs podem ser implantadas em diferentes densidades podendo chegar a milhares de nós. No entanto, o desenvolvimento de soluções baseadas em RSSFs é limitado, principalmente, por recursos restritos dos nós sensores, em especial recursos energéticos. O grande desafio de soluções para RSSFs é aumentar a longevidade da rede e, ao mesmo tempo, garantir a entrega, confiabilidade e precisão dos dados coletados diante de um ambiente propício a falhas de diferentes tipos. A maior fonte de consumo de energia é a transmissão de mensagens. Assim, soluções de RSSF têm que evitar comunicação intensa, mantendo o balanceamento do consumo de energia e, assim, a longevidade da rede. Em aplicações onde é necessária alta densidade de nós sensores, o processo de sensoriamento pode produzir grande quantidade de dados similares ou redundantes devido à proximidade espacial entre esses nós. Esta proximidade espacial pode ser explorada em soluções de roteamento para reduzir a quantidade de mensagens transmitidas pela rede. Este trabalho apresenta o algoritmo de roteamento SCARP (Spatial Correlation Aware Routing Protocol), que faz uso da correlação espacial para reduzir o número de transmissões pela rede. Com o SCARP, a RSSF é configurada em células e nós de cada célula são escolhidos, de maneira alternada, para transmitir dados similares ou redundantes, reduzindo assim o número de mensagens transmitidas. Essa redução de tráfego resulta em menor consumo de energia e maior longevidade da rede. Resultados de avaliação de desempenho mostram que SCARP supera soluções semelhantes descritas na literatura como o DAARP, que utiliza clusterização e agregação de dados, e mantém o desempenho positivo mesmo em situações de grande densidade de nós.The usage of wireless sensor network is increasingly being applied to peoples everyday lives everywhere: from energy consumption in households and buildings in general, to vital signs in assistive medicine, infrastructure monitoring, chemical or biological product leaking detection in industries, better surveillance, environmental monitoring, among many others. WSN can be deployed in different densities next to several thousands of nodes. However, the development of WSN solutions are limited mainly by energy resource restriction. The great challenge to WSN solutions is to increase the network longevity while guaranteeing data delivery, reliability and accuracy in an environment prone to different types of failures. The largest source of energy consumption is data transmission. Thus, solutions to WSN needs to avoid intense communication keeping energy consumption balance and so the network longevity. In applications in which high density of nodes is necessary, sensing process can produce a large amount of data which are similar or redundant, due to the special proximity among the nodes. This spatial proximity can be explored in routing solutions to reduce the amount of messages transmitted throughout the network. This work presents the Spatial Correlation Aware Routing Protocol - SCARP , which makes use of spatial correlation to reduce the number of network transmissions. With SCARP, the WSN is configured in cells and nodes of each cell are selected, in an alternated way, to transmit similar or redundant data, and so reducing the number of transmitted messages. This traffic reduction results in less energy consumption and longer network longevity. Evaluation results show that SCARP outperforms similar solutions described in the literature, such as DAARP, which uses clustering and aggregation. SCARP has a positive performance even for large node density scenarios