تحسين اختيار جودة وصلة الاتصال داخل بروتوكول التوجيه (RPL)بالاعتماد على تقنية التعلم الآلي الخاضع للإشراف في شبكات أنترنت الأشياء

الملخص

يجب أن يضمن تصميم شبكة إنترنت الأشياء كفاءة الطاقة والسرعة والموثوقية لضمان الاستدامة طويلة الأجل لإنترنت الأشياء. اقترحت مجموعة عمل (IETF Roll) بروتوكول توجيه (RPL) للشبكات منخفضة الطاقة والتي تعاني من الخسارة كمعيار توجيه فعلي مع مراعاة استدامة شبكات إنترنت الأشياء المقيدة. تم تصميم بروتوكول RPL القياسي لاختيار أفضل مسار بناءً على مقياس جودة رابط واحد مثل عدد القفزات (Hop)أو عدد الإرسال المتوقع (ETX)، وبالتالي فإن اختيار المسارات غير الموثوقة يؤدي إلى إهدار موارد الشبكة وزيادة حالات إعادة إرسال البيانات والحمل غير المتوازن بين العقد.

نهدف في هذا البحث إلى استخدام إمكانيات تقنية التعلم الآلي الخاضع للإشراف لتحسين عملية التوجيه داخل البروتوكول (RPL)، قمنا بدمج التعلم الآلي الخاضع للأشراف داخل بروتوكول التوجيه المخصص للشبكات منخفضة الطاقة والتي تعاني من الخسارة (RPL) أدى هذا العمل إلى نسخة مقترحة من البروتوكول يسمى HUML_RPL يعتمد على تقنية التعلم الآلي الخاضع للإشراف من أجل اختيار المسارات وتحسين عملية التوجيه. النسخة المقترحة يستخدم نموذج شجرة القرار (Decision Tree) للتدريب على مجموعة بيانات التدريبية التي تم توليدها ويتنبأ باحتمالية الوصول بنجاح إلى أفضل عقدة أب، تم دمج هذا النموذج داخل كل العقد في الشبكة وذلك من أجل اختيار المسار الأفضل لتوصيل الحزم بفعالية. تم اختبار أداء النسخة المقترحة من البروتوكول (HUML_RPL) في محاكي الشبكات Cooja لنظام التشغيل Contiki Os وتقييم أدائه لشبكات ذات كثافات متفاوتة. أظهرت نتائج المحاكاة أن النسخة المقترحة (HUML_RPL) يتفوق على الخوارزمية الأساسية داخل بروتوكول (RPL)، والتي تسمى (MORHF_ETX,OF0)، من خلال تحسين استهلاك الطاقة وتقليل رسائل التحكم وتحسين معدل تسليم الحزم وخفض زمن الوصول في الشبكة.