📊 statistics

Energy-Efficient Routing Protocol in Vehicular Opportunistic Networks: A Dynamic Cluster-based Routing Using Deep Reinforcement Learning

تقترح هذه الورقة بروتوكول CR-DRL، وهو بروتوكول توجيه عنقودي ديناميكي قائم على التعلم التعزيزي العميق للشبكات المتقلبة للمركبات، والذي يعزز كفاءة الطاقة بشكل كبير، ويمدد أعمار العقد، ويحسن موثوقية التسليم من خلال تحسين اختيار المرحل وتداخل العناقيد في البيئات شديدة الديناميكية.

المؤلفون الأصليون: Meisam Sharifi Sani, Saeid Iranmanesh, Raad Raad, Faisel Tubbal

نُشر 2026-02-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Meisam Sharifi Sani, Saeid Iranmanesh, Raad Raad, Faisel Tubbal

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل مدينة حيث تتحرك آلاف السيارات في الأرجاء، ولكن لا توجد بها إشارات مرور، ولا أبراج اتصالات خلوية، ولا كابلات إنترنت تربط بينها. بدلاً من ذلك، تتحدث هذه السيارات مع بعضها البعض مباشرة، مثل الأصدقاء الذين يتبادلون الأسرار همساً أثناء مرورهم في الشارع. هذا ما يسميه الباحثون بـ الشبكة الانتهازية (Opportunistic Network).

ما هي المشكلة؟ السيارات تتحرك بسرعة. في ثانية ما، تكون السيارة (أ) بجانب السيارة (ب)؛ وفي الثانية التالية، تفصل بينهما أميال. إذا كان لدى السيارة (أ) رسالة للسيارة (ج)، ولكن السيارة (ب) تقف في المنتصف، فعلى السيارة (أ) أن "تخزن" الرسالة، و"تحملها" أثناء القيادة، ثم "تمررها" للسيارة (ج) فقط عندما تلتقي بها مجدداً بالصدفة. وهذا ما يسمى بـ التخزين، والحمل، والتمرير (Store-Carry-Forward).

لكن هنا تكمن العقبة؛ إذا حاولت كل سيارة الصراخ بالرسالة لكل من تقابله، فستزدحم الشبكة (مثل حفلة صاخبة يتحدث فيها الجميع في وقت واحد). كما أن السيارات لديها بطاريات وذاكرة محدودة؛ فإذا تعبت السيارة كثيراً (بطارية منخفضة) أو امتلأت بالرسائل (ذاكرة ممتلئة)، فلن تتمكن من المساعدة بعد الآن.

الحل: "قائد المرور الذكي" (CR-DRL)

يقترح مؤلفو هذه الورقة نظاماً جديداً يسمى CR-DRL. فكر فيه كأنه قائد مرور فائق الذكاء وقادر على التعلم ذاتياً، يقوم بتنظيم هذه السيارات الفوضوية في فرق.

إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:

1. تكوين الفرق (التجميع - Clustering)

بدلاً من أن تتحدث كل سيارة مع كل السيارات الأخرى، يقوم النظام بتجميع السيارات القريبة في عناقيد (Clusters) (مثل الأحياء الصغيرة).

رأس العنقود (Cluster Head): في كل حي، يتم اختيار سيارة لتكون "قائد الفريق". هذا القائد مسؤول عن جمع الرسائل من السيارات الأخرى في المجموعة وتمريرها.
من يصبح القائد؟ في الأيام الخوالي، ربما كانوا يختارون ببساطة أول سيارة يراها النظام. لكن في هذا النظام الجديد، يستخدم الذكاء الاصطناائي ثلاثة أشاء قبل اختيار القائد:
1. الطاقة: هل بطارية السيارة ممتلئة؟ (لا نريد اختيار سيارة على وشك النفاد).
2. الذاكرة: هل لدى السيارة مساحة في صندوقها (المخزن) لحفظ الرسائل؟
3. المهارات الاجتماعية: هل التقت هذه السيارة بالعديد من السيارات مؤخراً؟ (السيارة التي تلتقي بالكثير من الناس هي الأفضل في تمرير الرسائل).

2. "الدماغ" (التعلم التعزيزي العميق - Deep Reinforcement Learning)

كيف يعرف النظام أي سيارة هي القائد الأفضل؟ إنه يستخدم التعلم التعزيزي العميق (DRL).

التشبيه: تخيل شخصية في لعبة فيديو تتعلم اللعب. في البداية، ترتكب أخطاءً وتخسر نقاطاً، ولكن في كل مرة تقوم فيها بحركة جيدة (مثل اختيار قائد ببطارية ممتلئة)، تحصل على "مكافأة". مع مرور الوقت، يتعلم الذكاء الاصطالي الاستراتيجية المثالية لإبقاء الشبكة تعمل بسلاسة دون استنزاف بطارية أي سيارة.
الممثل والناقد (Actor-Critic): تستخدم الورقة نوعاً معيناً من الذكاء الاصطناعي يسمى "الممثل-الناقد".
- الممثل (Actor): هو صانع القرار (يختار القائد).
- الناقد (Critic): هو الحكم (يقول: "عمل جيد!" أو "كان هذا خياراً سيئاً، حاول مجدداً").
- يعملان معاً ليصبحا أفضل وأفضل في اتخاذ القرارات في الوقت الفعلي.

3. "السياج المرن" (التداخل الديناميكي)

في الطرق القديمة، كان حجم هذه "الأحياء" ثابتاً. فإذا كانت المدينة فارغة، كانت الأحياء صغيرة جداً، وإذا كانت المدينة مزدحمة، كانت الأحياء كبيرة جداً وفوضوية.

الابتكار: يستخدم نظام CR-DRL "سياجاً ذكياً" (يسمى دالة استدلالية).
- إذا كانت المدينة مزدحمة، يتقلص السياج لتبقى الفرق صغيرة وفعالة.
- إذا كانت المدينة فارغة، يتمدد السياج لتمتد الفرق وتظل متصلة.
- يضمن هذا أنه حتى لو كانت السيارات بعيدة عن بعضها، تظل الشبكة متصلة، مثل شريط مطاطي يتمدد وينكمش بشكل مثالي.

4. "بناة الجسور" (الأعضاء المشتركون)

أحياناً تحتاج رسالة ما للانتقال من الحي (أ) إلى الحي (ج)، ولكن لا يوجد تلامس بينهما.

يجد النظام سيارة تنتمي إلى كلا الحيّين (عضو مشترك). تعمل هذه السيارة كجسر، حيث تحمل الرسالة من فريق إلى آخر.
يحرص الذكاء الاصطناعي على اختيار هذه الجسور بعناية لتجنب الحلقات المفرغة (السيارات التي تدور في دوائر) وللحفاظ على المسار قصيراً.

لماذا يهم هذا الأمر؟ (النتائج)

اختبر الباحثون هذا النظام في محاكاة لمدينة مزدحمة. وإليكم ما وجدوه مقارنة بالطرق القديمة:

عمر أطول: عاشت السيارات (العقد) لفترة أطول بنسبة 21% لأن الذكاء الاصطناعي لم يختار السيارات المتعبة للقيام بالأعمال الشاقة.
هدر أقل: استهلكت الشبكة بأكملها طاقة أقل بنسبة 17%.
توصيل أسرع: وصلت الرسائل بسرعة أكبر بنسبة 28.5% لأن الذكاء الاصطناعي وجد أفضل المسارات.
توقفات أقل: احتاجت الرسائل إلى عدد أقل من "القفزات" (Hops) بنسبة 30% لتصل إلى وجهتها.
الاستقرار: ظلت الشبكة متصلة بشكل أفضل بكثير، حتى عندما كانت حركة المرور جنونية.

الصورة الكبيرة

فكر في CR-DRL كأنه مايسترو ذكي لأوركسترا من السيارات المتحركة. فبدلاً من أن يعزف الجميع بشكل عشوائي ويحدثوا ضجيجاً، يقوم المايسترو بتنظيمهم في أقسام، ويختار أفضل العازفين المنفردين (القادة) بناءً على من لديه الطاقة للعزف، ويضبط الموسيقى (حجم الشبكة) بناءً على عدد الموسيقيين الموجودين على المسرح.

يسمح هذا للسيارات بالتواصل مع بعضها البعض بكفاءة، وتوفير بطارياتها، وإيصال الرسائل إلى وجهتها بسرعة، حتى في مدينة متحركة وفوضوية. إنها خطوة كبيرة نحو جعل مدننا الذكية المستقبلية تعمل بسلاسة دون الحاجة إلى ملايين أبراج الاتصالات.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "بروتوكول توجيه موفر للطاقة في الشبكات الفرصية للمركبات: توجيه ديناميكي قائم على العناقيد باستخدام التعلم التعزيزي العميق".

1. بيان المشكلة

تعمل الشبكات الفرصية للمركبات (OppNets) وفق نموذج التخزين، الحمل، ثم التمرير (Store-Carry-Forward - SCF)، حيث يتم تخزين البيانات في العقد وتمريرها عند استعادة الاتصال. ومع ذلك، تواجه هذه الشبكات تحديات كبيرة بسبب:

الطوبولوجيا الديناميكية للغاية: تؤدي حركة المركبات السريعة إلى اتصال متقطع وتقسيمات متكررة للشبكة.
قيود الموارد: طاقة محدودة (البطارية) وسعة تخزين (Buffer) محدودة في العقد.
عدم كفاءة التوجيه: تعاني بروتوكولات التوجيد التقليدية من أنماط الاتصال غير المتوقعة، مما يؤدي إلى زمن انتقال مرتفع، ونسب تسليم منخفضة، واستهلاك مفرط للطاقة.
قصور الأساليب الحالية:
- الأسالهم القائمة على العناقيد (Clustering): غالبًا ما تعتمد على عتبات ثابتة أو بنية تحتية ثابتة (مثل الوحدات الجانبية للطرق - RSUs)، مما يجعلها تفشل في التكيف مع تغيرات الكثافة السريعة.
- أساليب التعلم التعزيزي (RL): غالبًا ما تعاني من أعباء حوسبة عالية، وضعف في التقارب في البيئات الديناميكية، أو عدم توازن في عبء العمل (اختيار نفس العقد كعناقيد رئيسية بشكل متكرر).
التوافق مع بروتوكول TCP/IP: تفتقر الشبكات الفرصية (OppNets) غالبًا إلى الاتصالات المستقرة المطلوبة لبروتوكولات TCP/IP القياسية.

2. المنهجية: CR-DRL

يقترح المؤلفون بروتوكول CR-DRL (التوجيه القائم على العناقيد باستخدام التعلم التعزيزي العميق)، وهو بروتوكول مبتكر يدمج إطار عمل التعلم العميق (Actor-Critic - AC) مع دالة استدلالية (Heuristic function) لإدارة العناقيد الديناميكية.

أ. نموذج النظام والبنية

الشبكة: شبكة مركبات على مستوى مدينة، حيث تتحرك العقد (المركبات) وفق نماذج حركة مختلطة (المسار العشوائي، نموذج غاوس-ماركوف، وحركة يوم العمل).
التجميع (Clustering): يتم تجميع العقد في عناقيد. لكل عنقود رأس عنقود (Cluster Head - CH) يعمل كبوابة، وأعضاء مشتركين (Common Members) يعملون كوسطاء بين العناقيد.
الأجزاء الافتراضية: يقوم البروتوكول بإنشاء "أجزاء شبكة افتراضية" لمحاكاة الروابط المستقرة، مما يتيح التوافق مع بروتوكول TCP/IP دون الحاجة لبنية تحتية فيزيائية.

ب. التعلم التعزيزي العميق (إطار عمل Actor-Critic)

يتم نمذجة التوجيه واختيار رأس العنقود كعملية قرار ماركوف (MDP):

فضاء الحالة ( $s$ ): حالات العقد المجمعة وتشمل:
- معدل الالتقاء الأقصى ( $\phi_{v_{imax}}$ ): وتيرة الاتصال التاريخية مع الجيران.
- الطاقة المتبقية ( $\Psi_{vi}$ ): البطارية المتبقية بالنسبة للطاقة الأولية.
- حجم التخزين المؤقت ( $\eta_{vi}$ ): إشغال التخزين الحالي بالنسبة للسعة.
فضاء الإجراء ( $a$ ): اختيار رأس العنقود الأمثل.
دالة المكافأة ( $R$ ): مجموع موزون مصمم لتعظيم نسبة التسليم والإنتاجية مع تقليل زمن الانتقال من طرف إلى طرف (E2E):
$R = M_1(\hat{\mu}) + M_2(\hat{\eth}) - M_3(\hat{D})$
حيث $\hat{\mu}$ هي نسبة التسليم، و $\hat{\eth}$ هي الإنتاجية، و $\hat{D}$ هو التأخير.
آليات الاستقرار: لتجنب مشا masalah التقارب الشائعة في DRL، يستخدم المؤلفون:
- تنظيم الإنتروبيا (Entropy Regularization): لموازنة الاستكشاف والاستغلال.
- إعادة تشغيل الخبرة (Experience Replay): التعلم من قرارات التوجيه السابقة لتجنب الإفراط في التخصيص للحالات العابرة.
- معدلات التعلم التكيفية وتقليم التدرج (Gradient Clipping): لضمان استقرار التدريب.

ج. عتبة المسافة التكيفية (ADT) الاستدلالية

لمعالجة مشكلة تفاوت أحجام العناقيد في الكثافات المختلفة، تقوم دالة استدلالية بتعديل المسافة القصوى المسموح بها بين العقد لتشكيل العناقيد ديناميكيًا:

الصيغة: $\varrho_d = \Delta \cdot \frac{1}{\sqrt{H}}$ ، حيث $H$ هي كثافة العقد و $\Delta$ هو عامل القياس (تم تحسينه عند 1.5).
الوظيفة:
- في المناطق منخفضة الكثافة، تزدัง العتبة، مما يسمح للعناقيد بالانتشار لمسافات أكبر للحفاظ على الاتصال.
- في المناطق عالية الكثافة، تنخفض العتبة، مما يمنع العناقيد من أن تصبح كبيرة جدًا ويقلل من أعباء الاتصال داخل العنقود الواحد.

د. عملية التوجيه

تكوين العنقود: تحسب العقد مسافات مانهاتن وتختار رؤوس العناقيد بناءً على سياسة خوارزمية AC.
نقل البيانات: يرسل المصدر البيانات إلى رأس عنقوده (CH).
التوجيه بين العناقيد: تقوم رؤوس العناقيد بتوجيه البيانات إلى الأعضاء المشتركين (العقد المشتركة بين العناقيد) للوصول إلى عنقود الوجهة.
منع الحلقات (Loops): يستخدم زمن بقاء (TTL) قدره 300 ثانية وحدًا لعدد القفزات (10). تتبع الرسائل العناقيد التي تمت زيارتها لتجنب الحلقات.

3. المساهمات الرئيسية

توجيه مبتكر قائم على AC: أول بروتوكول في الشبكات الفرصية (OppNets) يستخدم نموذج تعلم تعزيزي عميق (Actor-Critic) خصيصًا لاختيار رأس العنقود الديناميكي بناءً على مقاييس الطاقة، ومعدل الالتقاء، وحجم التخزين في الوقت الفعلي.
تعديل التداخل الديناميكي: تقديم استدلال ADT لتعديل تداخل العناقيد ديناميكيًا بناءً على كثافة العقد، مما يحل مشكلات القابلية للتوسع في التجميع ذي المسافة الثابتة.
التوافق مع TCP/IP: بنية وسيطة تحول العناقيد الديناميكية إلى أجزاء شبكة افتراضية، مما يسمح لبروتوكولات TCP/IP القياسية بالعمل في البيئات الفرصية المتقطعة دون الحاجة لوحدات جانبية للطرق (RSUs).
توازن استخدام الموارد: تمنع خوارزمية AC عدم توازن عبء العمل من خلال التقييم الدينامي لقدرات العقد، مما يضمن عدم الإفراط في استخدام أي عقدة كرأس عنقود.

4. نتائج المحاكاة

تم تقييم البروتوكول باستخدام محاكي ONE (بيئة الشبكات الفرصية) مع سيناريو خريطة هلسنكي (50-250 عقدة). تمت مقارنته مع نماذج مرجعية مثل EEHCHR، وSCF-Architecture، وMobility Adaptive، وRLProph، وLatency-Aware routing.

تحسينات الأداء الرئيسية:

كفاءة الطاقة:
- يمد عمر العقدة بنسبة تصل إلى 21%.
- يقلل استهلاك الطاقة الإجمالي بنسبة 17%.
- يبقي العقد نشطة لمدة أطول بنسبة 15% مقارنة بالنماذج الأخرى.
أداء الاتصال:
- نسبة التسليم: أعلى بنسبة تصل إلى 10% من النماذج المرجعية.
- زمن الانتقال (Latency): انخفاض في زمن الانتقال من طرف إلى طرف (E2E) بنسبة 28.5%.
- الإنتاجية (Throughput): زيادة في إنتاجية البيانات بنسبة 7%.
- عدد القفزات (Hop Count): تقليل خطوات الإرسال (القفزات) بنسبة 30%.
الاستقرار:
- يقلل تقسيم الشبكة بنسبة 85% مقارنة بـ SCF-Architecture.
- يحقق اتصالًا شبه كامل (تقسيم واحد) في غضون 35 ثانية، بينما يظل نموذج SCF مجزأً.
- يخفض بشكل كبير معدل تغيير رأس العنقود، مما يشير إلى استقرار العناقيد.

5. الأهمية

يمثل بروتوكول CR-DRL تقدمًا كبيرًا في شبكات (VANETs) وبنية المدن الذكية التحتية. من خلال الدمج الناجح للتعلم التعزيزي العميق مع التجميع الاستدلالي، فإنه يحل المقايضة الحرجة بين القدرة على التكيف (التعامل مع الطوبولوجيا الديناميكية) والكفاءة (الطاقة وزمن الانتقال).

إن قدرته على إنشاء روابط مستقرة افتراضية تجعل منه مرشحًا قويًا لنشر بروتوكولات الإنترنت القياسية (TCP/IP) في البيئات شديدة الحركة والخالية من البنية التحتية. وهذا يمهد الطريق لأنظمة نقل ذكية (ITS) أكثر موثوقية، وإدارة مرور في الوقت الفعلي، وتبادل بيانات قوي في بيئات الحوسبية الطرفية المدعومة بتقنيات الجيل السادس (6G).