دراسة مقارنة لأداء بروتوكولات التوجيه المحسنة المعتمدة على AODV وبروتوكولي GPSR و Q-Learning في شبكات المركبات اللاسلكية النقالة VANETS
الملخص
تشهد شبكات المركبات اللاسلكية النقالة (Vehicular Ad Hoc Networks - VANETs) تطوراً متزايداً باعتبارها أحد المكونات الرئيسة لأنظمة النقل الذكية، حيث توفر بيئة اتصال ديناميكية بين المركبات والبنية التحتية بهدف تحسين السلامة المرورية ورفع كفاءة إدارة حركة المرور. إلا أن الطبيعة الديناميكية لهذه الشبكات، والمتمثلة في السرعات العالية للمركبات والتغير المستمر في طوبولوجيا الشبكة، تفرض تحديات كبيرة على بروتوكولات التوجيه من حيث موثوقية الاتصال واستقرار المسارات وكفاءة نقل البيانات.
يهدف هذا البحث إلى تقييم وتحليل أداء مجموعة من بروتوكولات التوجيه التفاعلية والجغرافية والذكية في شبكات المركبات اللاسلكية، وتشمل البروتوكولات AODV و AOMDV و AODV-UU وEAODV و IAODV و GPSR بالإضافة إلى بروتوكول التوجيه الذكي المعتمد على خوارزمية .Q-Learningتم إجراء الدراسة باستخدام مجموعة من سيناريوهات المحاكاة المتعددة التي تعكس ظروف التشغيل الواقعية لشبكات VANETs، بما في ذلك تأثير كثافة المركبات، وسرعات الحركة المختلفة، والبيئات الحضرية والطرق السريعة، وتأثير كثافة وحدات البنية التحتية الجانبية (RSUs)، ونسبة المركبات المشاركة في الشبكة.
اعتمد البحث على تحليل عدد من مؤشرات الأداء المهمة، منها نسبة تسليم الرزم (Packet Delivery Ratio)، ومتوسط التأخير من طرف إلى طرف (End-to-End Delay)، والإنتاجية (Throughput)، ونسبة فقدان الرزم (Packet Loss Ratio)، والحمل الناتج عن التوجيه .(Routing Overhead) أظهرت النتائج أن البروتوكولات المحسنة المعتمدة على AODV تحقق أداءً أفضل من البروتوكول التقليدي AODV، في حين أظهر البروتوكول IAODV كفاءة عالية في البيئات الحضرية ذات الكثافة المرورية المرتفعة. كما حقق البروتوكول GPSR أداءً متميزاً في بيئات الطرق السريعة بفضل اعتماده على المعلومات الجغرافية للمركبات. أما بروتوكول Q-Learning فقد أظهر قدرة أكبر على التكيف مع التغيرات الديناميكية للشبكة وتحقيق معدلات أعلى لتسليم الرزم مع تقليل التأخير وفقدان البيانات مقارنة بمعظم البروتوكولات الأخرى.
كما بينت النتائج أن دمج وحدات البنية التحتية (RSUs) يسهم بشكل ملحوظ في تحسين موثوقية الاتصال وزيادة كفاءة التوجيه لجميع البروتوكولات المدروسة، مع تحقيق أفضل النتائج عند استخدام البروتوكول الذكي المعتمد على التعلم المعزز. تشير الدراسة إلى أن اختيار بروتوكول التوجيه الأمثل في شبكات VANETs يعتمد على طبيعة البيئة المرورية ومتطلبات التطبيق، وأن دمج تقنيات الذكاء الاصطناعي في عملية التوجيه يمثل اتجاهاً واعداً لتحسين أداء شبكات المركبات اللاسلكية ودعم الجيل القادم من أنظمة النقل الذكية.
