📊 statistics

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

Este artículo propone el protocolo de enrutamiento CR-DRL, que utiliza aprendizaje por refuerzo profundo para optimizar la selección de retransmisores y el ajuste de clústeres en redes vehiculares oportunistas, logrando mejoras significativas en la eficiencia energética, la vida útil de los nodos y el rendimiento de la comunicación.

Autores originales: Meisam Sharifi Sani, Saeid Iranmanesh, Raad Raad, Faisel Tubbal

Publicado 2026-02-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Meisam Sharifi Sani, Saeid Iranmanesh, Raad Raad, Faisel Tubbal

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que las redes de vehículos (como los coches que se comunican entre sí en una ciudad inteligente) son como un enorme grupo de amigos que se encuentran en una fiesta muy grande y ruidosa.

Aquí te explico de qué trata este paper, el CR-DRL, usando analogías sencillas:

1. El Problema: La Fiesta Desconectada

Imagina que estás en una fiesta donde la gente se mueve mucho, se va a la cocina, vuelve al salón, y a veces se quedan sin batería en sus teléfonos.

El desafío: Si quieres enviar un mensaje a alguien que está al otro lado de la fiesta, pero no puedes hablarle directamente porque hay mucha gente entre ustedes, el mensaje se pierde.
El método antiguo (SCF): Antes, la gente usaba un método de "guardar, llevar y entregar". Si no encontrabas a tu amigo, guardabas el mensaje en tu bolsillo, caminabas por la fiesta y, si te topabas con alguien que conocía a tu amigo, le dabas el mensaje.
El problema: Esto causaba caos. ¡Todos llevaban copias del mismo mensaje! Se llenaban los bolsillos (memoria), se gastaban las baterías (energía) y los mensajes llegaban muy tarde o nunca llegaban. Además, elegir a quién darle el mensaje era como adivinar: a veces le dabas a alguien que se iba a ir de la fiesta en 5 minutos.

2. La Solución: CR-DRL (El Organizador Inteligente)

Los autores proponen CR-DRL, que es como contratar a un organizador de fiestas súper inteligente que usa un "cerebro" de aprendizaje automático (Deep Reinforcement Learning).

Este organizador hace dos cosas mágicas:

A. Elige a los "Capitanes de Grupo" (Clustering)

En lugar de que todos hablen con todos, el organizador divide a los invitados en pequeños grupos (clústeres).

¿Cómo elige al capitán? No elige al más ruidoso, sino al más capaz. Mira tres cosas:
1. ¿Cuánta batería le queda? (No quiere elegir a alguien que se va a apagar en 5 minutos).
2. ¿Cuánto espacio tiene en su bolsillo? (Para guardar mensajes).
3. ¿Con cuánta gente se encuentra? (Alguien que se mueve mucho y conoce a muchos).
La ventaja: El capitán se encarga de organizar los mensajes de su grupo. Si alguien quiere enviar algo fuera del grupo, solo tiene que hablarle al capitán. Esto evita el caos de que todos griten a la vez.

B. El "Cerebro" que Aprende (Deep Reinforcement Learning)

Este organizador no es un robot tonto con un manual fijo. Es como un entrenador de fútbol que aprende en tiempo real.

Cada vez que envía un mensaje, el sistema recibe una "puntuación" (recompensa). Si el mensaje llega rápido y sin gastar mucha batería, ¡puntos! Si se pierde o tarda mucho, ¡menos puntos!
Con el tiempo, el sistema aprende: "Ah, cuando hay mucha gente, debo hacer grupos más pequeños. Cuando hay poca gente, debo hacer grupos más grandes para que no se desconecten".
La analogía del "Superhéroe": Imagina que el sistema es un superhéroe que puede ver el futuro a corto plazo. Sabe que el coche A se va a quedar sin batería pronto, así que no le da el mensaje. Sabe que el coche B se va a encontrar con el destino en 10 segundos, así que le da el mensaje a él.

3. El Truco de la "Puerta Virtual" (Compatibilidad con Internet)

Lo más genial es que este sistema permite que las redes de coches hablen como si estuvieran en Internet normal (TCP/IP).

El problema: Los coches se mueven, se conectan y desconectan. Internet normal se rompe si la conexión cae.
La solución: El CR-DRL crea "puertas virtuales". Los capitanes de grupo actúan como puentes estables. Aunque los coches individuales se muevan, el "puente" entre grupos se mantiene activo gracias a los miembros compartidos (coches que pertenecen a dos grupos a la vez). Es como tener un puente levadizo que se adapta automáticamente al tráfico para que el mensaje nunca se caiga al río.

4. Los Resultados: ¿Qué ganamos?

Gracias a este sistema inteligente, los resultados de la simulación fueron increíbles:

Baterías que duran más: Los coches gastan un 17% menos de energía. Es como si pudieras conducir un día más sin cargar el coche.
Más mensajes llegan: La tasa de éxito subió un 10%.
Más rápido: Los mensajes llegan un 28% más rápido (menos retraso).
Menos pasos: El mensaje necesita saltar de coche en coche un 30% menos de veces. Es como ir en autoexpreso en lugar de hacer tres transbordos de autobús.

En Resumen

Este paper presenta un sistema de gestión de tráfico de datos para coches que usa una Inteligencia Artificial para elegir a los mejores mensajeros (capitanes) y organizarlos en grupos dinámicos. En lugar de gritar todos a la vez y gastar mucha batería, el sistema organiza la fiesta, asegura que los mensajes lleguen rápido y que las baterías de los coches duren más tiempo. ¡Es como tener un director de orquesta que asegura que la música (los datos) suene perfecta aunque los músicos (los coches) se muevan por toda la sala!

Resumen Técnico: Protocolo de Enrutamiento Energéticamente Eficiente en Redes Oportunistas Vehiculares (CR-DRL)

1. Planteamiento del Problema

Las Redes Oportunistas Vehiculares (VANETs), que operan bajo el paradigma de Almacenar-Transportar-Reenviar (SCF), enfrentan desafíos críticos debido a su topología altamente dinámica y la conectividad intermitente. Los problemas principales identificados son:

Inestabilidad de la topología: Los cambios rápidos en la movilidad de los vehículos dificultan el mantenimiento de rutas estables.
Restricciones de recursos: La energía limitada de la batería y la capacidad de búfer restringida en los nodos vehiculares.
Ineficiencia en el enrutamiento: Los métodos existentes (basados en inundación o clustering estático) sufren de sobrecarga de red, alta latencia, baja tasa de entrega y un desequilibrio en la carga de trabajo que agota prematuramente a ciertos nodos (cabezas de clúster).
Falta de adaptabilidad: Los protocolos actuales no se ajustan eficazmente a las condiciones cambiantes de densidad y movilidad, lo que resulta en una mala gestión de la energía y una reducción en la vida útil de la red.

2. Metodología Propuesta: CR-DRL

El artículo propone CR-DRL (Cluster-based Routing using Deep Reinforcement Learning), un protocolo de enrutamiento adaptativo que integra un marco de Aprendizaje por Refuerzo Profundo (DRL) con un enfoque de agrupamiento dinámico.

Arquitectura Actor-Critic (AC): Se utiliza el algoritmo AC para aprender políticas óptimas de selección de cabezas de clúster en tiempo real.
- Estado (s): Se define por tres métricas en tiempo real de cada nodo: tasa de encuentro (historial de contactos), energía residual y tamaño del búfer.
- Acción (a): Selección de la cabeza de clúster óptima.
- Recompensa (R): Una función normalizada que equilibra la tasa de entrega, el rendimiento (throughput) y minimiza el retraso de extremo a extremo (E2E).
- Estabilización: Se emplea regularización de entropía, un búfer de experiencia (replay buffer) y un aprendizaje adaptativo para evitar la convergencia prematura y manejar la alta variabilidad del entorno.
Función Heurística de Umbral de Distancia Adaptativa (ADT):
- Para abordar la rigidez de los métodos de clustering fijos, se introduce una función heurística que ajusta dinámicamente el grado de superposición entre clústeres.
- Calcula un umbral de distancia basado en la densidad de nodos ( $H$ ) y un factor de escala ( $\Delta$ ). En redes densas, reduce el tamaño de los clústeres para evitar la sobrecarga; en redes dispersas, aumenta el alcance para mantener la conectividad.
Compatibilidad con TCP/IP:
- Se propone una arquitectura de middleware que transforma los clústeres dinámicos en segmentos de red virtuales.
- Las cabezas de clúster actúan como gateways y los nodos compartidos (miembros comunes) como retransmisores, creando rutas lógicas estables que permiten la implementación de protocolos TCP/IP en entornos sin infraestructura física fija (como unidades de carretera RSU).
Selección de Cabeza de Clúster:
- Se seleccionan candidatos basándose en: (1) máxima tasa de encuentro, (2) energía residual (umbral mínimo del 25% de la energía inicial) y (3) capacidad de búfer disponible. Esto asegura que los nodos más estables y con recursos suficientes gestionen el tráfico.

3. Contribuciones Clave

Protocolo de Enrutamiento Novel: Es el primer protocolo en la literatura que utiliza un modelo de aprendizaje profundo (Actor-Critic) específicamente para la selección de cabezas de clúster en redes OPPNETs, optimizando el uso de recursos.
Agrupamiento Dinámico Adaptativo: Introducción de la función ADT para ajustar la superposición de clústeres según la densidad de nodos, mejorando la escalabilidad y la conectividad sin depender de umbrales fijos.
Arquitectura de Middleware para TCP/IP: Transformación de redes fragmentadas en estructuras interconectadas lógicas que facilitan la comunicación TCP/IP sin necesidad de infraestructura física adicional.
Gestión Equilibrada de Recursos: Evita el desequilibrio de carga (donde los mismos nodos se seleccionan repetidamente como cabezas de clúster) mediante la evaluación dinámica de capacidades, extendiendo la vida útil de la red.

4. Resultados de la Simulación

Las simulaciones se realizaron utilizando el entorno ONE (Opportunistic Network Environment) con un mapa de Helsinki, comparando CR-DRL contra protocolos de referencia (como EEHCHR, Mobility Adaptive, RLProph, Latency-Aware).

Eficiencia Energética y Vida Útil:
- Extiende la vida útil de los nodos hasta un 21%.
- Reduce el consumo total de energía en un 17%.
- Mantiene los nodos activos un 15% más de tiempo que los métodos existentes.
- Retrasa significativamente la muerte del primer nodo (FND) y la mitad de los nodos (HND).
Rendimiento de Comunicación:
- Tasa de Entrega: Mejora hasta un 10% en comparación con los mejores baselines.
- Latencia (E2E Delay): Reduce el retraso en un 28.5% en redes densas.
- Rendimiento (Throughput): Aumenta un 7%.
- Eficiencia de Saltos: Reduce los pasos de transmisión en un 30% (menor número de saltos), lo que implica rutas más directas y eficientes.
Estabilidad de la Red:
- Reduce la fragmentación de la red (particiones) en un 85% en comparación con la arquitectura SCF tradicional.
- Logra una conectividad casi completa (casi 100%) en menos de 50 segundos, mientras que otros métodos permanecen fragmentados.

5. Significado e Impacto

El protocolo CR-DRL representa un avance significativo en la gestión de redes vehiculares oportunistas al resolver el trilema de la eficiencia energética, la baja latencia y la alta fiabilidad de entrega en entornos dinámicos.

Viabilidad de TCP/IP en OPPNETs: Su capacidad para crear segmentos de red virtuales estables hace viable la implementación de protocolos de internet estándar en redes vehiculares sin infraestructura fija, un paso crucial para las Ciudades Inteligentes.
Sostenibilidad: Al optimizar el consumo de energía y equilibrar la carga de trabajo, prolonga la vida operativa de las redes vehiculares, reduciendo la necesidad de mantenimiento o reemplazo de nodos.
Adaptabilidad Futura: La metodología basada en DRL permite que el sistema aprenda y se adapte a patrones de tráfico no vistos previamente, ofreciendo una base sólida para futuras integraciones con IA generativa y redes 6G, como se menciona en el trabajo futuro del artículo.

En resumen, CR-DRL transforma una red vehicular fragmentada y caótica en una estructura organizada y eficiente, superando las limitaciones de los enfoques tradicionales y de aprendizaje automático más simples.