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

Sous la surface de l'océan, là où la lumière du soleil s'estompe et où la présence humaine se fait rare, une révolution silencieuse dans la collecte de données est en cours. Les scientifiques déploient des réseaux de petits capteurs alimentés par batterie pour surveiller tout, des niveaux de pollution à la santé des récifs coralliens. Ces dispositifs ne peuvent pas compter sur les ondes radio qui transportent nos signaux de téléphonie mobile, car l'eau absorbe ces signaux presque instantanément. Au lieu de cela, ils doivent communiquer entre eux en utilisant le son, en envoyant des impulsions acoustiques à travers l'eau sombre pour transmettre l'information. Cette méthode de communication est intrinsèquement difficile ; le son voyage lentement, l'eau est bruyante et les capteurs eux-mêmes disposent d'une énergie très limitée. Une fois qu'un capteur est largué dans la mer, il ne peut pas être rechargé ou remplacé facilement. Si un capteur tombe en panne de courant, il devient silencieux, et si le chemin de ses données est bloqué, l'information est perdue à jamais. Le défi central pour les ingénieurs est de créer un système qui maintienne ces réseaux sous-marins vivants et communicants aussi longtemps que possible, en veillant à ce que chaque bit de donnée atteigne la surface sans épuiser les batteries des quelques nœuds restants.

Dans une étude récente, les chercheurs Zeeshan Rasheed, Shahzad Ashraf et Muhammad Junaid Rabbani ont abordé ce problème en apprenant aux capteurs à faire des choix plus intelligents sur qui doit porter leurs messages. Ils ont développé une nouvelle méthode de routage basée sur un type d'intelligence artificielle appelée apprentissage par renforcement profond. En termes simples, il s'agit d'un système qui apprend par l'expérience. Imaginez un nœud de capteur qui doit décider quel voisin recevra son prochain message. Au lieu de suivre une règle rigide et préétablie, ce nouveau système évalue ses voisins en temps réel. Il examine la quantité d'énergie restante de chaque voisin, la clarté de la connexion sonore entre eux, les progrès réalisés par le message vers la surface, et si le chemin devant lui pourrait mener à une impasse où aucun autre voisin n'existe. Le système choisit ensuite le meilleur voisin unique pour transmettre la donnée, équilibrant le besoin de déplacer le message rapidement et le besoin d'économiser l'énergie pour l'avenir.

Les chercheurs ont testé cette approche dans une simulation informatique détaillée qui mimait les conditions complexes de l'océan, incluant le mouvement de l'eau, le bruit de l'environnement et le placement aléatoire des capteurs. Ils ont comparé leur nouvelle méthode à neuf autres stratégies de routage existantes, allant de règles simples basées sur la distance à d'autres systèmes d'apprentissage avancés. Les résultats ont montré un avantage clair pour la nouvelle approche. Dans des simulations impliquant cent nœuds de capteurs, la méthode proposée a réussi à livrer 93,26 pour cent de tous les messages à la surface. C'était une amélioration significative par rapport à la deuxième meilleure méthode basée sur l'apprentissage, qui n'a livré que 85,70 pour cent. Plus important encore, la nouvelle méthode était bien meilleure pour préserver l'énergie du réseau. À la fin de la simulation, les capteurs utilisant ce nouveau système possédaient encore 87,732 pour cent de leur puissance de batterie d'origine, alors que les autres méthodes en avaient consommé beaucoup plus. Cette efficacité a permis au réseau de fonctionner pendant 662,6 cycles de transmission de données avant de tomber en panne, contre seulement 625 cycles pour le concurrent le plus proche.

Le succès de ce système provient de sa capacité à éviter les pièges courants qui tourmentent les réseaux sous-marins. Les anciennes méthodes choisissaient souvent les mêmes quelques capteurs pour transmettre les messages parce qu'ils étaient les plus proches de la surface ou avaient le signal le plus fort, ce qui épuisait rapidement ces nœuds spécifiques et créait des lacunes dans le réseau. Le nouveau système basé sur l'apprentissage évite activement de surcharger un seul nœud. Il apprend également à reconnaître et à éviter les « vides », qui sont des zones où aucun voisin approprié n'existe pour prendre l'étape suivante. En pénalisant les choix qui mènent à ces impasses ou qui reposent sur des connexions faibles et bruyantes, le système garantit que les données continuent de circuler sans rester bloquées ou être perdues. L'étude a constaté que ce processus de sélection minutieux a réduit de près de moitié le nombre de messages échoués causés par ces vides par rapport aux autres méthodes basées sur l'apprentissage. De plus, le système a réussi à livrer les données plus rapidement, avec un délai moyen de seulement 0,982 seconde, battant les autres méthodes qui luttaient avec des délais dépassant 1,1 seconde.

Pour comprendre exactement pourquoi cette nouvelle méthode a si bien fonctionné, les chercheurs ont effectué une série de tests où ils ont supprimé une par une les parties spécifiques du système. Lorsqu'ils ont supprimé la partie qui vérifie la batterie restante, la durée de vie du réseau a chuté de manière significative. Lorsqu'ils ont supprimé la partie qui évalue la qualité de la connexion sonore, le nombre de messages perdus a augmenté. Lorsqu'ils ont supprimé la partie qui apprend à équilibrer ces différentes priorités en fonction des conditions changeantes, la performance globale est tombée à son niveau le plus bas. Ces tests ont confirmé qu'aucun facteur unique ne suffisait à lui seul ; le succès du système reposait sur la combinaison intelligente de la conscience énergétique, de la qualité du signal, de la vitesse et de l'évaluation des risques. Les chercheurs ont également noté que la nouvelle méthode nécessitait un peu plus de temps pour qu'un capteur prenne une décision — environ 0,60 milliseconde contre 0,35 milliseconde pour les méthodes plus simples — mais ce minuscule délai était un compromis valable pour les gains massifs en fiabilité et en durée de vie de la batterie.

L'étude a également exploré comment les facteurs environnementaux comme la température de l'eau et la salinité affectent ces réseaux. Les chercheurs ont découvert que les changements de température avaient l'impact le plus significif sur la façon dont le son voyage, suivis de près par la salinité. Leur système a été conçu pour s'adapter à ces changements, ajustant ses choix en fonction de la fiabilité actuelle des liaisons acoustiques. Dans des simulations où l'environnement devenait plus difficile, avec un bruit plus élevé ou des conditions instables, la nouvelle méthode a maintenu son taux de livraison élevé tandis que les autres protocoles luttaient et échouaient plus souvent. Cette robustesse suggère que le système pourrait gérer la nature imprévisible du véritable océan mieux que les technologies actuelles. Les chercheurs ont conclu qu'en utilisant cette approche adaptative basée sur l'apprentissage, les réseaux de capteurs sous-marins peuvent devenir beaucoup plus fiables et durables, garantissant que les données critiques qu'ils collectent atteignent les scientifiques à la surface sans que le réseau ne s'effondre par épuisement énergétique. Bien que les résultats aient été obtenus par simulation, les auteurs suggèrent que la prochaine étape consisterait à tester ces découvertes sur du matériel réel pour voir si les économies de batterie et les taux de livraison se maintiennent dans le monde physique.