Enhancement of the AODV routing protocol for VANET based on intelligent link quality estimation

Stellen Sie sich eine Welt vor, in der Ihr Auto nicht nur selbst fährt, sondern auch mit jedem anderen Auto auf der Straße spricht und Geheimnisse über Staus, vereiste Abschnitte oder plötzliche Unfälle flüstert. Das ist keine Science-Fiction; das ist die Realität von Vehicular Ad Hoc Networks, oder VANETs. Betrachten Sie diese Autos als einen riesigen, ziehenden Fischschwarm, der ständig Informationen austauschen muss, um sicher zu bleiben. Aber hier ist der Haken: Im Gegensatz zu Fischen in einem ruhigen Teich sausen Autos mit hohen Geschwindigkeiten umher, machen Kurven und werden durch Gebäude blockiert. Dies macht ihre „Gespräche“ unglaublich instabil. Die Signale, die sie zur Kommunikation nutzen, können verblassen, unterbrochen werden oder im Lärm einer belebten Straße verloren gehen.

Um diese Gespräche am Laufen zu halten, benötigen die Autos eine „Karte“ oder einen Satz von Regeln, um den besten Weg zu finden, um eine Nachricht zu senden. In der digitalen Welt wird dies als Routing-Protokoll bezeichnet. Das am häufigsten verwendete Regelwerk heute heißt AODV. Es ist wie ein Reisender, der nur auf eine Karte schaut und fragt: „Welcher Weg hat die wenigsten Stopps?“ (Hop-Count). Während dies in einer ruhigen Nachbarschaft ganz gut funktioniert, ist es in einer chaotischen Stadt eine Katastrophe. Wenn der Reisende einen Pfad mit den wenigsten Stopps wählt, aber diese Stopps auf einer bröckelnden Brücke liegen, fällt die Nachricht in den Fluss. Die große Frage, die Forscher zu lösen versuchen, lautet: Wie machen wir diese Autos intelligenter, damit sie nicht nur Stopps zählen, sondern tatsächlich prüfen, ob die Straße vor ihnen sicher und stabil ist, bevor sie sich auf die Reise festlegen?

Genau hier setzen die Forscher Hamida Ikhlef und Ali Melit mit ihrer neuen Idee an. Sie haben das Standard-AODV-Regelwerk genommen und ihm ein Gehirn-Upgrade verpasst, indem sie ein neues System namens AODV-LSENN erschaffen haben. Anstatt nur Stopps zu zählen, nutzt ihr neues Protokoll einen „intelligenten Assistenten“ (ein neuronales Netz), um einen Blick auf die physischen Bedingungen der Straße zu werfen. Er prüft Dinge wie die Stärke des Funksignals, den Abstand zwischen den Autos, wie schnell sie sich relativ zueinander bewegen und sogar, ob die digitale Nachricht während der Übertragung verzerrt wird.

Die Forscher trainierten diesen intelligenten Assistenten, den sie LSENN (Link State Estimation Neural Network) nannten, damit er wie ein Wetterprophet für die Straße agiert. Anstatt nur zu sagen: „Es regnet“, sagt er voraus, ob eine Verbindung Connected (sonnig und klar), Transient (bewölkt und kurz vor einem Sturm) oder Disconnected (ein totaler Blackout) ist. Wenn der Assistent vorhersagt, dass auf einer bestimmten Straße ein Sturm aufzieht, wartet das Auto nicht, bis die Nachricht abstürzt, sondern wechselt sofort auf eine andere, sicherere Route. Es ist der Unterschied zwischen einem Fahrer, der wartet, bis er auf ein Schlagloch trifft, um auszuweichen, und einem, der das Schlagloch schon eine Meile entfernt sieht und darum herumsteuert.

Um zu testen, ob dieser „smarte Fahrer“ tatsächlich funktioniert, haben die Autoren keine echten Autos auf echten Straßen eingesetzt. Stattdessen bauten sie eine massive, detaillierte Videospiel-Simulation mit einem Tool namens NS-3. Sie erschufen eine virtuelle Stadt mit einem Straßenraster (wie Manhattan) und füllten sie mit irgendwo zwischen 10 und 80 virtuellen Autos, die mit Geschwindigkeiten zwischen 5 und 20 Metern pro Sekunde umherrasten. Sie ließen die Simulation für 150 Sekunden laufen und ließen die Autos versuchen, Nachrichten unter Verwendung sowohl der alten AODV-Methode als auch ihrer neuen AODV-LSENN-Methode zu senden.

Die Ergebnisse waren sehr aufschlussreich, insbesondere je nach der Belegung der virtuellen Stadt. In einem Szenario mit geringer Dichte mit nur 10 Autos war das neue System ein klarer Gewinner. Es konnte 100 % der Nachrichten erfolgreich zustellen, während das alte System nur 95,03 % durchbracht. Das neue System senkte auch die Zeit, die eine Nachricht für den Weg von Anfang bis Ende benötigte (End-to-End Delay), auf nur 12,6 Millisekunden, verglichen mit den trägen 38,98 Millisekunden der alten Methode.

Als die Stadt geschäftiger wurde, mit 40 Autos (einer mittleren Dichte), vergrößerte sich die Lücke noch weiter. Das neue AODV-LSENN-Protokoll lieferte 83,87 % der Pakete, während das alte mit 65,46 % kämpfte. Die Verzögerung für das neue System betrug 86,98 Millisekunden, während das alte System ganze 251,11 Millisekunden brauchte. Dies geschah, weil der intelligente Assistent erfolgreich instabile Verbindungen erkannte und den Verkehr umleitete, bevor die Nachrichten verloren gingen.

Die Geschichte ändert sich jedoch ein wenig, wenn die Stadt mit 80 Autos vollgestopft ist. In diesem Chaos hoher Dichte begannen beide Systeme zu kämpfen. Die Erfolgsquote des neuen Systems sank auf 52,61 % und die des alten auf 49,48 %. Die Verzögerung für beide schoss in die Höhe und erreichte über 300 Millisekunden. Die Forscher erklären, dass dies nicht daran liegt, dass ihr intelligenter Assistent versagt hat, sondern weil die „Luft“ selbst zu überfüllt wurde. Mit so vielen Autos, die gleichzeitig sprechen, begannen die Funksignale miteinander zu kollidieren und der Kanal wurde gesättigt. Es ist wie der Versuch, ein Gespräch in einem Raum zu führen, in dem 80 Leute gleichzeitig schreien; selbst die klügste Person kann dann nicht mehr klar gehört werden.

Trotz des Verkehrsstaus hielt das neue System dennoch besser die Stellung. Es zeigte konsistent einen niedrigeren „Jitter“, also das Maß dafür, wie stark die Lieferzeit variiert. Im 40-Auto-Szenario hatte das neue System einen Jitter von nur 11,88 Millisekunden, während das alte wild schwankte mit 203,68 Millisekunden. Das bedeutet, dass das neue Protokoll eine viel glattere, vorhersagbarere Fahrt für Daten bietet, was für Sicherheitsnachrichten, die pünktlich und zuverlässig ankommen müssen, entscheidend ist.

Kurz gesagt legt das Paper nahe, dass wir durch das Hinzufügen einer intelligenten Vorhersageebene zu den Routing-Regeln die Kommunikation zwischen Autos erheblich zuverlässiger machen können, insbesondere wenn die Straßen nicht völlig verstopft sind. Die Autoren fanden heraus, dass wir zwar nicht die Physik der Funkwellen in einer überfüllten Stadt magisch korrigieren können, aber wir können den Autos definitiv helfen, das Chaos viel besser zu bewältigen als zuvor. Die Simulation beweist, dass zu wissen, wann eine Straße als nächstes zusammenbrechen wird, genauso wichtig ist wie zu wissen, welche Straße die kürzeste ist.