DRL-Based Adaptive Routing for Energy-Efficient and Reliable Underwater Wireless Sensor Networks

تحت سطح المحيط، حيث يتلاشى ضوء الشمس ويندر الوجود البشري، تحدث ثورة هادئة في جمع البيانات. يقوم العلماء بنشر شبكات من المستشعرات الصغيرة التي تعمل بالبطاريات لمراقبة كل شيء، بدءاً من مستويات التلوث وصولاً إلى صحة الشعاب المرجانية. لا يمكن لهذه الأجهزة الاعتماد على الموجات الراديوية التي تنقل إشارات هواتفنا المحمولة، لأن الماء يمتص تلك الإشارات فوراً تقريباً. بدلاً من ذلك، يجب عليها التواصل مع بعضها البعض باستخدام الصوت، عبر إرسال نبضات صوتية عبر المياه المظلمة لنقل المعلومات. هذه الطريقة في التواصل صعبة بطبيعتها؛ فالصوت ينتقل ببطء، والمياه مليئة بالضجيج، والمستشعات نفسها تمتلك طاقة محدودة للغاية. بمجرد إلقاء المستشعر في البحر، لا يمكن شحنه أو استبداله بسهولة. وإذا نفدت طاقة المستشعر، فإنه يصمت، وإذا تعطل مسار بياناته، تضيع المعلومات للأبد. التحدي الرئيسي للمهندسين هو إنشاء نظام يحافظ على حيوية هذه الشبكات تحت الماء واستمرار تواصلها لأطول فترة ممكنة، لضمان وصول كل بت من البيانات إلى السطح دون استنزاف بطاريات العقد القليلة المتبقية.

في دراسة حديثة، تناول الباحثون زيشان رشيد، وشهداد أشرف، ومحمد جنيد رباني هذه المشكلة من خلال تعليم المستشعرات كيفية اتخاذ خيارات أذكى بشأن من ينبغي أن يحمل رسائلها. لقد طوروا طريقة توجيه جديدة تعتمد على نوع من الذكاء الاصطناعي يسمى التعلم التعزيزي العميق. وببساطة، هذا نظام يتعلم من التجربة. تخيل عقدة مستشعر يتعين عليها تقرير أي جار يجب أن يتلقى رسالتها التالية. بدلاً من اتباع قاعدة جامدة ومكتوبة مسبقاً، يقوم هذا النظام الجديد بتقييم جيرانه في الوقت الفعلي. فهو ينظر إلى مقدار طاقة البطارية المتبقية لكل جار، ومدى وضوح الاتصال الصوتي بينهما، ومدى التقدم الذي تحرزه الرسالة نحو السطح، وما إذا كان المسار أمامها قد يؤدي إلى طريق مسدود حيث لا يوجد جيران آخرون. ثم يختار النظام أفضل جار واحد لتمرير البيانات، موازناً بين الحاجة إلى نقل الرسالة بسرعة والحاجة إلى توفير الطاقة للمستقبل.

اختبر الباحثون هذا النهج في محاكاة حاسوبية مفصلة حاكت الظروف المعقدة للمحيط، بما في ذلك حركة المياه، وضجيج البيئة، والتوزيع العشوائي للمستشعرات. وقارنوا طريقتهم الجديدة بتسع استراتيجيات توجيه أخرى موجودة، تتراوح من القواعد البسيطة القائمة على المسافة إلى أنظمة التعلم المتقدمة الأخرى. وأظهرت النتائج تفوقاً واضحاً للنهج الجديد. ففي عمليات المحاكاة التي شملت مائة عقدة مستشعر، نجحت الطريقة المقترحة في إيصال 93.26 بالمائة من جميع الرسائل إلى السطح. وكان هذا تحسناً كبيراً مقارنة بأفضل طريقة تعلم تالية، والتي أوصلت 85.70 بالمائة فقط. والأهم من ذلك، كانت الطريقة الجديدة أفضل بكثير في الحفاظ على طاقة الشبكة. ففي نهاية المحاكاة، كانت المستشعرات التي تستخدم هذا النظام الجديد لا تزال تمتلك 87.732 بالمائة من طاقة بطاريتها الأصلية، بينما استهلكت الطرق الأخرى الكثير منها. وقد سمحت هذه الكفاءة للشبكة بالعمل لمدة 662.6 جولة من نقل البيانات قبل الفشل، مقارنة بـ 625 جولة فقط لأقرب منافس لها.

يعود نجاح هذا النظام إلى قدرته على تجنب العثرات الشائعة التي تعاني منها الشبكات تحت الماء. فغالباً ما كانت الطرق القديمة تختار نفس المستشعرات القليلة لتمرير الرسائل لأنها الأقرب إلى السطح أو تمتلك أقوى إشارة، مما يؤدي سريعاً إلى استنزاف تلك العقد المحددة وخلق فجوات في الشبكة. ومع ذلك، فإن النظام الجديد القائم على التعلم يتجنب بنشاط الإجهاد المفرط لأي عقدة واحدة. كما يتعلم التعرف على "الفراغات" وتجنبها، وهي المناطق التي لا يوجد فيها جار مناسب لاتخاذ الخطوة التالية. ومن خلال فرض عقوبات على الخيارات التي تؤدي إلى هذه النهايات المسدودة أو التي تعتمد على اتصالات ضعيفة ومليئة بالضوضاء، يضمن النظام استمرار حركة البيانات للأمام دون أن تتعثر أو تضيع. ووجدت الدراسة أن عملية الاختيار الدقيقة هذه قللت من عدد الرسائل الفاشلة الناجمة عن هذه الفراغات بنسبة تقارب النصف مقارنة بطرق التعلم الأخرى. علاوة على ذلك، تمكن النظام من إيصال البيانات بشكل أسرع، بمتوسط تأخير قدره 0.982 ثانية، متفوقاً على الطرق الأخرى التي عانت من تأخير تجاوز 1.1 ثانية.

لفهم سبب نجاح هذه الطريقة الجديدة بهذا الشكل، أجرى الباحثون سلسلة من الاختبارات حيث قاموا بإزالة أجزاء محددة من النظام واحداً تلو الآخر. فعندما أزالوا الجزء الذي يفحص طاقة البطارية المتبقية، انخفض عمر الشبكة بشكل كبير. وعندما أزالوا الجزء الذي يقيم جودة الاتصال الصوتي، زاد عدد الرسائل المفقودة. وعندما أزالوا الجزء الذي يتعلم موازنة هذه الأولويات المختلفة بناءً على الظروف المتغيرة، انخفض الأداء العام إلى أدنى مستوياته. أكدت هذه الاختبارات أنه لا يوجد عامل واحد كافٍ بمفرده؛ بل اعتمد نجاح النظام على الجمع الذكي بين الوعي بالطاقة، وجودة الإشارة، والسرعة، وتقييم المخاطر. وأشار الباحثون أيضاً إلى أنه بينما يتطلب النهج الجديد وقتاً أطول قليلاً لكل مستشعر لاتخاذ القرار — حوالي 0.60 مللي ثانية مقارنة بـ 0.35 مللي ثانية للطرق الأبسط — إلا أن هذا التأخير الضئيل كان مقايضة تستحق العناء مقابل المكاسب الهائلة في الموثوقية وعمر البطارية.

كما استكشفت الدراسة كيف تؤثر العوامل البيئية مثل درجة حرارة الماء والملوحة على هذه الشبكات. ووجد الباحثون أن التغيرات في درجة الحرارة لها التأثير الأكثر أهمية على كيفية انتقال الصوت، تليها الملوحة عن قرب. وقد صُمم نظامهم ليتكيف مع هذه التغييرات، من خلال تعديل خياراته بناءً على الموثوقية الحالية للروابط الصوتية. وفي عمليات المحاكاة التي أصبحت فيها البيئة أكثر صعوبة، مع ارتفاع الضجيج أو الظروف غير المستقرة، حافظ النهج الجديد على معدل التسليم المرتفع بينما عانت البروتوكولات الأخرى وفشلت بشكل متكرر. تشير هذه المتانة إلى أن النظام يمكنه التعامل مع الطبيعة غير المتوقعة للمحيط الحقيقي بشكل أفضل من التقنيات الحالية. وخلص الباحثون إلى أنه باستخدام هذا النهج التكيفي القائم على التعلم، يمكن جعل شبكات المستشعرات تحت الماء أكثر موثوقية وطولاً في العمر، مما يضمن وصول البيانات الحرجة التي تجمعها إلى العلماء على السطح دون انهيار الشبكة بسبب استنفاد الطاقة. وبينما تم تحقيق هذه النتائج من خلال المحاكاة، يقترح المؤلفون أن الخطوة التالية ستكون اختبار هذه النتائج على أجهزة فعلية لمعرفة ما إذا كانت توفيرات البطارية ومعدلات التسليم ستصمد في العالم الواقعي.