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

Unter der Oberfläche des Ozeans, wo das Sonnenlicht verblasst und die menschliche Präsenz spärlich ist, findet eine stille Revolution in der Datenerfassung statt. Wissenschaftler setzen Netzwerke aus kleinen, batteriebetriebenen Sensoren ein, um alles Mögliche zu überwachen, von Verschmutzungswerten bis hin zur Gesundheit von Korallenriffen. Diese Geräte können sich nicht auf die Radiowellen verlassen, die unsere Mobilfunksignale übertragen, da Wasser diese Signale fast augenblicklich absorbiert. Stattdessen müssen sie über Schall miteinander kommunizieren, indem sie akustische Impulse durch das dunkle Wasser senden, um Informationen weiterzugeitet zu werden. Diese Art der Kommunikation ist von Natur aus schwierig; Schall bewegt sich langsam, das Wasser ist geräuschvoll und die Sensoren selbst verfügen über eine sehr begrenzte Energie. Sobald ein Sensor ins Meer abgelassen wurde, kann er nicht ohne Weiteres aufgeladen oder ersetzt werden. Wenn einem Sensor der Strom ausgeht, verstummt er, und wenn der Pfad für seine Daten blockiert ist, geht die Information für immer verloren. Die zentrale Herausforderung für Ingenieure besteht darin, ein System zu schaffen, das diese Unterwassernetze so lange wie möglich am Leben und im Austausch hält und sicherstellt, dass jedes Bit an Daten die Oberfläche erreicht, ohne die Batterien der verbleibenden wenigen Knoten zu erschöpfen.

In einer kürzlich durchgeführten Studie befassten sich die Forscher Zeeshan Rasheed, Shahzad Ashraf und Muhammad Junaid Rabbani mit diesem Problem, indem sie die Sensoren lehrten, klügere Entscheidungen darüber zu treffen, wer ihre Nachrichten tragen sollte. Sie entwickelten eine neue Routing-Methode, die auf einer Form der künstlichen Intelligenz namens Deep Reinforcement Learning basiert. Vereinfacht ausgedrückt handelt es sich hierbei um ein System, das aus Erfahrung lernt. Stellen Sie sich einen Sensorknoten vor, der entscheiden muss, welcher Nachbar seine nächste Nachricht erhalten soll. Anstatt einer starren, vorab geschriebenen Regel zu folgen, bewertet dieses neue System seine Nachbarn in Echtzeit. Es prüft, wie viel Batterieleistung jeder Nachbar noch übrig hat, wie klar die Schallverbindung zwischen ihnen ist, wie viel Fortschritt die Nachricht in Richtung der Oberfläche macht und ob der Pfad voraus zu einer Sackgasse führen könnte, in der keine weiteren Nachbarn existieren. Das System wählt dann den einen besten Nachbarn aus, um die Daten weiterzuleiten, wobei es das Bedürfnis nach schneller Datenbewegung gegen die Notwendigkeit abwägt, Energie für die Zukunft zu sparen.

Die Forscher testeten diesen Ansatz in einer detaillierten Computersimulation, die die komplexen Bedingungen des Ozeans nachahmte, einschließlich der Wasserbewegung, der Geräusche der Umgebung und der zufälligen Platzierung der Sensoren. Sie verglichen ihre neue Methode mit neun anderen bestehenden Routing-Strategien, die von einfachen distanzbasierten Regeln bis hin zu anderen fortschrittlichen Lernsystemen reichten. Die Ergebnisse zeigten einen klaren Vorteil für den neuen Ansatz. In Simulationen mit einhundert Sensorknoten lieferte die vorgeschlagene Methode 93,26 Prozent aller Nachrichten erfolgreich an die Oberfläche. Dies war eine signifikante Verbesserung gegenüber der nächstbesten lernbasierten Methode, die nur 85,70 Prozent lieferte. Noch wichtiger war, dass die neue Methode wesentlich besser darin war, die Energie des Netzwerks zu bewahren. Am Ende der Simulation hatten die Sensoren, die dieses neue System nutzten, noch 87,732 Prozent ihrer ursprünglichen Batteriekapazität übrig, während die anderen Methoden weit mehr verbraucht hatten. Diese Effizienz ermöglichte es dem Netzwerk, 662,6 Runden der Datenübertragung zu absolvieren, bevor es versagte, im Vergleich zu nur 625 Runden beim engsten Konkurrenten.

Der Erfolg dieses Systems beruht auf seiner Fähigkeit, die häufigen Fallstricke zu vermeiden, die Unterwassernetze plagen. Ältere Methoden wählten oft dieselben wenigen Sensoren aus, um Nachrichten weiterzuleiten, weil sie der Oberfläche am nächsten lagen oder das stärkste Signal hatten, was diese spezifischen Knoten schnell erschöpfte und Lücken im Netzwerk erzeugte. Das neue lernbasierte System vermeidet es jedoch aktiv, einen einzelnen Knoten zu überlasten. Es lernt auch, „Voids“ (Leerräume) zu erkennen und zu umgehen – Bereiche, in denen kein geeigneter Nachbar existiert, um den nächsten Schritt zu vollziehen. Indem das System Entscheidungen, die zu solchen Sackgassen führen oder auf schwachen, verrauschten Verbindungen basieren, bestraft, stellt es sicher, dass die Daten weiter fließen, ohne stecken zu bleiben oder verloren zu gehen. Die Studie fand heraus, dass dieser sorgfältige Auswahlprozess die Anzahl der fehlgeschlagenen Nachrichten, die durch diese Voids verursacht wurden, im Vergleich zu anderen lernbasierten Methoden um fast die Hälfte reduzierte. Darüber hinaus gelang es dem System, die Daten schneller zu liefern, mit einer durchschnittlichen Verzögerung von nur 0,982 Sekunden, womit es die anderen Methoden schlug, die mit Verzögerungen von über 1,1 Sekunden zu kämpfen hatten.

Um genau zu verstehen, warum diese neue Methode so gut funktionierte, führten die Forscher eine Reihe von Tests durch, bei denen sie einzelne Teile des Systems nacheinander entfernten. Als sie den Teil entfernten, der die verbleibende Batterieleistung prüfte, sank die Lebensdauer des Netzwerks erheblich. Als sie den Teil entfernten, der die Qualität der Schallverbindung bewertete, stieg die Zahl der verlorenen Nachrichten. Als sie den Teil entfernten, der lernte, diese verschiedenen Prioritäten basierend auf wechselnden Bedingungen auszubalancieren, fiel die Gesamtleistung auf ihren niedrigsten Punkt. Diese Tests bestätigten, dass kein einzelner Faktor für sich allein ausreichte; der Erfolg des Systems beruhte auf der intelligenten Kombination von Energiebewusstsein, Signalqualität, Geschwindigkeit und Risikobewertung. Die Forscher merkten auch an, dass die neue Methode etwas mehr Zeit für jede Entscheidung eines Sensors benötigte – etwa 0,60 Millisekunden im Vergleich zu 0,35 Millisekunden bei einfacheren Methoden –, aber diese winzige Verzögerung ein lohnenswerter Kompromis für die massiven Gewinne an Zuverlässigkeit und Batterielebensdauer war.

Die Studie untersuchte auch, wie Umweltfaktoren wie Wassertemperatur und Salzgehalt diese Netzwerke beeinflussen. Die Forscher fanden heraus, dass Temperaturänderungen den größten Einfluss darauf hatten, wie Schall sich ausbreitet, dicht gefolgt vom Salzgehalt. Ihr System wurde so konzipiert, dass es sich an diese Veränderungen anpasst, indem es seine Entscheidungen basierend auf der aktuellen Zuverlässigkeit der akustischen Verbindungen anpasst. In Simulationen, in denen die Umgebung schwieriger wurde, mit höherem Rauschen oder instabilen Bedingungen, behielt die neue Methode ihre hohe Lieferrate bei, während andere Protokolle Schwierigkeiten hatten und häufiger scheiterten. Diese Robustheit deutet darauf darauf hin, dass das System die unvorhersehbare Natur des echten Ozeans besser bewältigen könnte als aktuelle Technologien. Die Forscher kamen zu dem Schluss, dass Unterwasser-Sensornetzwerke durch diesen adaptiven, lernbasierten Ansatz wesentlich zuverlässiger und langlebiger gemacht werden können, um sicherzustellen, dass die kritischen Daten, die sie sammeln, die Wissenschaftler an der Oberfläche erreichen, ohne dass das Netzwerk durch Erschöpfung der Energie zusammenbricht. Obwohl die Ergebnisse durch Simulationen erzielt wurden, schlagen die Autoren vor, dass der nächste Schritt darin bestehen würde, diese Erkenntnisse an tatsächlicher Hardware zu testen, um zu sehen, ob sich die Batteriereinsparungen und Lieferraten in der physischen Welt halten.