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

Sotto la superficie dell'oceano, dove la luce del sole svanisce e la presenza umana è scarsa, sta avvenendo una silenziosa rivoluzione nella raccolta dei dati. Gli scienziati dispiegano reti di piccoli sensori alimentati a batteria per monitorare tutto, dai livelli di inquinamento alla salute delle barriere coralline. Questi dispositivi non possono fare affidamento sulle onde radio che trasportano i nostri segnali cellulari, perché l'acqua assorbe tali segnali quasi istantaneamente. Invece, devono comunicare tra loro utilizzando il suono, inviando impulsi acustici attraverso l'acqua scura per trasmettere le informazioni. Questo metodo di comunicazione è intrinsecamente difficile: il suono viaggia lentamente, l'acqua è rumorosa e i sensori stessi hanno un'energia molto limitata. Una volta che un sensore viene immerso nel mare, non può essere ricaricato o sostituito facilmente. Se un sensore esaurisce l'energia, rimane in silenzio e, se il percorso per i suoi dati è bloccato, l'informazione va perduta per sempre. La sfida centrale per gli ingegneri è creare un sistema che mantenga queste reti sottomarine vive e comunicanti il più a lungo possibile, assicurando che ogni bit di dati raggiunga la superficie senza esaurire le batterie dei pochi nodi rimasti.

In uno studio recente, i ricercatori Zeeshan Rasheed, Shahzad Ashraf e Muhammad Junaid Rabbani hanno affrontato questo problema insegnando ai sensori come fare scelte più intelligenti su chi debba trasportare i loro messaggi. Hanno sviluppato un nuovo metodo di instradamento basato su un tipo di intelligenza artificiale chiamata apprendimento per rinforzo profondo (deep reinforcement learning). In termini semplici, si tratta di un sistema che impara dall'esperienza. Immaginate un nodo sensore che deve decidere quale vicino debba ricevere il suo prossimo messaggio. Inve invece di seguire una regola rigida e predefinita, questo nuovo sistema valuta i suoi vicini in tempo reale. Esamina quanta energia residua ha ogni vicino, quanto sia nitida la connessione sonora tra di loro, quanto progresso stia facendo il messaggio verso la superficie e se il percorso davanti possa portare a un vicolo cieco dove non esistono ulteriori vicini. Il sistema sceglie quindi il singolo miglior vicino per inoltrare i dati, bilanciando la necessità di muovere rapidamente il messaggio con la necessità di risparmiare energia per il futuro.

I ricercatori hanno testato questo approccio in una dettagliata simulazione al computer che imitava le complesse condizioni dell'oceano, inclusi il movimento dell'acqua, il rumore dell'ambiente e il posizionamento casuale dei sensori. Hanno confrontato il loro nuovo metodo con nove strategie di instradamento esistenti, che vanno da semplici regole basate sulla distanza ad altri sistemi avanzati di apprendimento. I risultati hanno mostrato un chiaro vantaggio per il nuovo approccio. In simulazioni che coinvolgevano cento nodi sensore, il metodo proposto ha consegnato con successo il 93,26 percento di tutti i messaggi alla superficie. Si è trattato di un miglioramento significativo rispetto al secondo miglior metodo basato sull'apprendimento, che ha consegnato solo l'85,70 percento. Ancora più importante, il nuovo metodo è stato molto più efficace nel preservare l'energia della rete. Alla fine della simulazione, i sensori che utilizzavano questo nuovo sistema avevano ancora l'87,732 percento della loro energia originale residua, mentre gli altri metodi avevano consumato molto di più. Questa efficienza ha permesso alla rete di operare per 662,6 round di trasmissione dati prima di fallire, rispetto ai soli 625 round del concorrente più vicino.

Il successo di questo sistema deriva dalla sua capacità di evitare le trappole comuni che affliggono le reti sottomarine. I metodi più vecchi spesso sceglievano gli stessi pochi sensori per inoltrare i messaggi perché erano più vicini alla superficie o avevano il segnale più forte, il che esauriva rapidamente quei nodi specifici e creava lacune nella rete. Il nuovo sistema basato sull'apprendimento, invece, evita attivamente di sovraccaricare un singolo nodo. Impara anche a riconoscere ed evitare i "vuoti", ovvero aree in cui non esiste un vicino adatto per compiere il passo successivo. Penalizzando le scelte che portano a questi vicoli ciechi o che si affidano a connessioni deboli e rumorose, il sistema assicura che i dati continuino a muoversi in avanti senza bloccarsi o andare perduti. Lo studio ha rilevato che questo attento processo di selezione ha ridotto il numero di messaggi falliti causati da questi vuoti di quasi la metà rispetto agli altri metodi basati sull'apprendimento. Inoltre, il sistema è riuscito a consegnare i dati più velocemente, con un ritardo medio di soli 0,982 secondi, superando gli altri metodi che faticavano con ritardi superiori a 1,1 secondi.

Per capire esattamente perché questo nuovo metodo abbia funzionato così bene, i ricercatori hanno eseguito una serie di test in cui rimuovevano una alla volta parti specifiche del sistema. Quando hanno rimosso la parte che controllava l'energia residua, la durata della rete è diminuita significativamente. Quando hanno rimosso la parte che valutava la qualità della connessione sonora, il numero di messaggi persi è aumentato. Quando hanno rimosso la parte che imparava a bilanciare queste diverse priorità in base alle condizioni mutevoli, le prestazioni complessive sono scese al loro punto minimo. Questi test hanno confermato che nessun singolo fattore era sufficiente da solo; il successo del sistema dipendeva dalla combinazione intelligente di consapevolezza energetica, qualità del segnale, velocità e valutazione del rischio. I ricercatori hanno anche osservato che il nuovo metodo richiedeva leggermente più tempo per ogni decisione del sensore — circa 0,60 millisecondi rispetto ai 0,35 millisecondi dei metodi più semplici — ma questo minuscolo ritardo era un compromesso che valeva la pena accettare per i massicci guadagni in affidabilità e durata della batteria.

Lo studio ha anche esplorato come i fattori ambientali come la temperatura dell'acqua e la salinità influenzino queste reti. I ricercatori hanno scoperto che i cambiamenti di temperatura avevano l'impatto più significativo sul modo in cui il suono viaggia, seguiti da vicino dalla salinità. Il loro sistema è stato progettato per adattarsi a questi cambiamenti, regolando le proprie scelte in base all'affidabilità corrente dei collegamenti acustici. In simulazioni in cui l'ambiente diventava più difficile, con rumore più elevato o condizioni instabili, il nuovo metodo manteneva il suo alto tasso di consegna mentre gli altri protocolli faticavano e fallivano più spesso. Questa robustezza suggerisce che il sistema potrebbe gestire la natura imprevedibile del vero oceano meglio delle attuali tecnologie. I ricercatori hanno concluso che, utilizzando questo approccio adattivo basato sull'apprendimento, le reti di sensori sottomarini possono essere rese molto più affidabili e durature, garantendo che i dati critici che raccolgono raggiungano gli scienziati in superficie senza che la rete collassi per l'esaurimento energetico. Sebbene i risultati siano stati ottenuti tramite simulazione, gli autori suggeriscono che il passo successivo sarebbe quello di testare queste scoperte su hardware reale per vedere se il risparmio di batteria e i tassi di consegna si mantengono anche nel mondo fisico.