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

Immaginate un mondo in cui la vostra auto non si limita a guidare da sola, ma parla anche con tutte le altre auto sulla strada, sussurrando segreti su ingorghi, chiazze di ghiaccio o incidenti improvvisi. Questa non è fantascienza; è la realtà delle Vehicular Ad Hoc Networks, o VANET. Pensate a queste auto come a un enorme e mobile banco di pesci che deve costantemente condividere informazioni per restare al sicuro. Ma ecco il problema: a differenza dei pesci in uno stagno calmo, le auto sfrecciano ad alte velocità, curvano e vengono bloccate dagli edifici. Questo rende le loro "conversazioni" incredibilmente instabili. I segnali che usano per comunicare possono indebolirsi, interrompersi o perdersi nel rumore di una strada affollata.

Per mantenere in corso queste conversazioni, le auto hanno bisogno di una "mappa" o di un insieme di regole per capire il percorso migliore per inviare un messaggio. Nel mondo digitale, questo è chiamato protocollo di routing. Il manuale di regole più comune usato oggi si chiama AODV. È come un viaggiatore che guarda solo una mappa e chiede: "Quale percorso ha meno fermate?" (hop count). Sebbene questo funzioni abbastanza bene in un quartiere tranquillo, è un disastro in una città caotica. Se il viaggiatore sceglie un percorso con meno fermate, ma quelle fermate si trovano su un ponte che sta crollando, il messaggio cade nel fiume. La grande domanda che i ricercatori stanno cercando di risolvere è: come possiamo rendere queste auto più intelligenti in modo che non si limitino a contare le fermate, ma controllino effettivamente se la strada davanti è sicura e stabile prima di impegnarsi nel viaggio?

È esattamente qui che intervengono con una nuova idea i ricercatori Hamida Ikhlef e Ali Melit. Hanno preso il manuale di regole standard AODV e gli hanno dato un aggiornamento cerebrale, creando un nuovo sistema che chiamano AODV-LSENN. Invece di limitarsi a contare le fermate, il loro nuovo protocollo utilizza un "assistente intelligente" (una rete neurale) per dare un'occhiata alle condizioni fisiche della strada. Controlla cose come la forza del segnale radio, la distanza tra le auto, la velocità con cui si muovono l'una rispetto all'altra e persino se il messaggio digitale viene distorto durante la trasmissione.

I ricercatori hanno addestrato il loro assistente intelligente, che hanno chiamato LSENN (Link State Estimation Neural Network), per agire come un previsore del tempo per la strada. Invece di dire solo "sta piovendo", predice se una connessione è Connessa (soleggiata e limpida), Transitoria (nuvolosa e sul punto di diventare tempestosa) o Disconnessa (un blackout totale). Se l'assistente predice l'arrivo di una tempesta su una specifica strada, l'auto non aspetta che il messaggio si schianti; cambia immediatamente verso un percorso diverso e più sicuro. È la differenza tra un conducente che aspetta di colpire una buca per sterzare e uno che vede la buca da un miglio di distanza e la evita.

Per testare se questo "conducente intelligente" funzioni davvero, gli autori non hanno messo auto reali su strade reali. Invece, hanno costruito una simulazione massiccia e dettagliata simile a un videogioco utilizzando uno strumento chiamato NS-3. Hanno creato una città virtuale con una griglia di strade (come Manhattan) e l'hanno riempita con da 10 a 80 auto virtuali che sfrecciavano a velocità comprese tra 5 e 20 metri al secondo. Hanno eseguito la simulazione per 150 secondi, lasciando che le auto provassero a inviare messaggi usando sia il vecchio metodo AODV che il loro nuovo metodo AODV-LSENN.

I risultati sono stati molto significativi, specialmente a seconda di quanto fosse affollata la città virtuale. In uno scenario a bassa densità con solo 10 auto, il nuovo sistema è stato un chiaro vincitore. È riuscito a consegnare con successo il 100% dei messaggi, mentre il vecchio sistema ne ha fatti passare solo il 95,03%. Il nuovo sistema ha anche ridotto il tempo necessario affinché un messaggio viaggi dal punto di inizio a quello di fine (ritardo end-to-end) a soli 12,6 millisecondi, rispetto ai lenti 38,98 millisecondi del vecchio metodo.

Man mano che la città diventava più trafficata, con 40 auto (una densità media), il divario si è ampliato ulteriormente. Il protocollo AODV-LSENN ha consegnato l'83,87% dei pacchetti, mentre il vecchio sistema faticava al 65,46%. Il ritardo per il nuovo sistema era di 86,98 millisecondi, mentre il vecchio metodo impiegava ben 251,11 millisecondi. Questo è accaduto perché l'assistente intelligente stava individuando con successo i collegamenti instabili e reindirizzando il traffico prima che i messaggi andassero persi.

Tuttavia, la storia cambia un po' quando la città si riempie con 80 auto. In questo caos ad alta densità, entrambi i sistemi hanno iniziato a soffrire. Il tasso di successo del nuovo sistema è sceso al 52,61%, e quello del vecchio al 49,48%. Il ritardo per entrambi è schizzato oltre i 300 millisecondi. Gli autori spiegano che questo non è dovuto al fatto che il loro assistente intelligente sia fallito, ma perché l' "aria" stessa è diventata troppo affollata. Con così tante auto che parlano contemporaneamente, i segnali radio hanno iniziato a scontrarsi (collisioni) e il canale si è saturato. È come cercare di avere una conversazione in una stanza dove 80 persone stanno gridando tutte insieme; anche la persona più intelligente non può essere sentita chiaramente.

Nonostante l'ingorgo, il nuovo sistema ha mantenuto meglio la sua posizione rispetto al vecchio. Ha mostrato costantemente un "jitter" inferiore, ovvero la misura di quanto vari il tempo di consegna. Nello scenario con 40 auto, il nuovo sistema aveva un jitter di soli 11,88 millisecondi, mentre il vecchio oscillava selvaggiamente a 203,68 millisecondi. Ciò significa che il nuovo protocollo fornisce una corsa molto più fluida e prevedibile per i dati, il che è fondamentale per i messaggi di sicurezza che devono arrivare in tempo, ogni singola volta.

In breve, il documento suggerisce che aggiungendo uno strato di previsione intelligente alle regole di routing, possiamo rendere la comunicazione tra auto significativamente più affidabile, specialmente quando le strade non sono completamente paralizzate. Gli autori hanno scoperto che, sebbene non si possa riparare magicamente la fisica delle onde radio in una città super affollata, si può sicuramente aiutare le auto a navigare nel caos molto meglio di prima. La simulazione dimostra che sapere quando una strada sta per rompersi è importante quanto sapere quale strada sia la più breve.