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

Stel je een wereld voor waarin je auto niet alleen zelf rijdt, maar ook met elke andere auto op de weg praat, terwijl hij geheimen fluistert over files, ijzige plekken of plotselinge ongelukken. Dit is geen sciencefiction; dit is de realiteit van Vehicular Ad Hoc Networks, of VANETs. Denk aan deze auto's als een enorme, bewegende school vissen die constant informatie moet delen om veilig te blijven. Maar hier is de crux: in tegenstelling tot vissen in een rustige vijver, racen auto's met hoge snelheden rond, nemen bochten en worden ze geblokkeerd door gebouwen. Dit maakt hun "gesprekken" ongelooflijk wankel. De signalen die ze gebruiken om met elkaar te praten, kunnen vervagen, onderbroken worden of verloren gaan in de ruis van een drukke straat.

Om deze gesprekken gaande te houden, hebben de auto's een "kaart" of een set regels nodig om de beste route te bepalen voor het verzenden van een bericht. In de digitale wereld wordt dit een routingprotocol genoemd. Het meest gebruikte regelboek van vandaag heet AODV. Het is als een reiziger die alleen naar een kaart kijkt en vraagt: "Welk pad heeft de minste stops?" (hop count). Hoewel dit redelijk werkt in een rustige buurt, is het een ramp in een chaotische stad. Als de reiziger een pad kiest met de minste stops, maar die stops bevinden zich op een instortende brug, dan valt het bericht in de rivier. De grote vraag die onderzoekers proberen op te lossen is: Hoe maken we deze auto's slimmer, zodat ze niet alleen stops tellen, maar ook controleren of de weg voor hen veilig en stabiel is voordat ze zich aan de reis committeren?

Dit is precies waar de onderzoekers Hamida Ikhlef en Ali Melit met hun nieuwe idee inspringen. Ze hebben het standaard AODV-regelboek genomen en het een hersenupgrade gegeven door een nieuw systeem te creëren dat ze AODV-LSENN noemen. In plaats van alleen stops te tellen, gebruikt hun nieuwe protocol een "slimme assistent" (een neuraal netwerk) om een inkijkje te krijgen in de fysieke omstandigheden van de weg. Het controleert zaken zoals hoe sterk het radiosignaal is, hoe ver de auto's uit elkaar staan, hoe snel ze ten opzichte van elkaar bewegen, en zelfs of het digitale bericht vervormd raakt tijdens de transmissie.

De onderzoekers hebben deze slimme assistent, die ze LSENN (Link State Estimation Neural Network) noemden, getraind om te fungeren als een weervoorspeller voor de weg. In plaats van alleen te zeggen "het regent", voorspelt het of een verbinding Verbonden (zonnig en helder), Transient (bewolkt en op het punt om stormachtig te worden) of Verbroken (een totale black-out) is. Als de assistent voorspelt dat er een storm aankomt op een specifieke weg, wacht de auto niet tot het bericht crasht, maar schakelt hij onmiddellijk over naar een andere, veiligere route. Het is het verschil tussen een bestuurder die wacht tot hij een kuil raakt voordat hij uitwijkt, en een bestuurder die de kuil een mijl van tevoren ziet en eromheen stuurt.

Om te testen of deze "slimme bestuurder" echt werkt, hebben de auteurs geen echte auto's op echte wegen gezet. In plaats daarvan bouwden ze een enorme, gedetailleerde videogame-simulatie met behulp van een tool genaamd NS-3. Ze creëerden een virtuele stad met een raster van straten (zoals Manhattan) en vulden deze met ergens tussen de 10 en 80 virtuele auto's die met snelheden tussen de 5 en 20 meter per seconde rondraasden. Ze draalden de simulatie gedurende 150 seconden, waarbij de auto's probeerden berichten te verzenden met zowel de oude AODV-methode als hun nieuwe AODV-LSENN-methode.

De resultaten waren zeer veelzeggend, vooral afhankelijk van hoe druk het met de virtuele stad was. In een scenario met een lage dichtheid met slechts 10 auto's, was het nieuwe systeem een duidelijke winnaar. Het slaagde erin om 100% van de berichten succesvol af te leveren, terwijl het oude systeem er slechts 95,03% doorheen kreeg. Het nieuwe systeem verkortte ook de tijd die een bericht nodig had om van begin tot eind te reizen (end-to-end delay) tot slechts 12,6 milliseconden, vergeleken met de trage 38,98 milliseconden van de oude methode.

Toen de stad drukker werd, met 40 auto's (een gemiddelde dichtheid), werd het gat zelfs nog groter. Het nieuwe AODV-LSENN protocol leverde 83,87% van de pakketten, terwijl de oude worstelde met 65,46%. De vertraging voor het nieuwe systeem was 86,98 milliseconden, terwijl het oude systeem een enorme 251,11 milliseconden in beslag nam. Dit gebeurde omdat de slimme assistent erin slaagde onstabiele verbindingen op te merken en het verkeer om te leiden voordat de berichten verloren gingen.

Echter, het verhaal verandert een beetje wanneer de stad vol gepakt is met 80 auto's. In deze chaos met een hoge dichtheid begonnen beide systemen te worstelen. Het succespercentage van het nieuwe systeem daalde naar 52,61%, en dat van de oude naar 49,48%. De vertraging voor beide schoot omhoog naar boven de 300 milliseconden. De onderzoekers leggen uit dat dit niet komt omdat hun slimme assistent faalde, maar omdat de "lucht" zelf te druk werd. Met zoveel auto's die tegelijkertijd praten, begonnen de radiosignalen tegen elkaar aan te botsen (botsingen) en raakte het kanaal verzadigd. Het is alsof je een gesprek probeert te voeren in een kamer waar 80 mensen tegelijkertijd schreeuwen; zelfs de slimste persoon kan dan niet duidelijk verstaan worden.

Ondanks de file hield het nieuwe systeem toch beter stand dan het oude. Het vertoonde consequent een lagere "jitter", wat de maatstaf is voor de variatie in de levertijd. In het scenario met 40 auto's had het nieuwe systeem een jitter van slechts 11,88 milliseconden, terwijl het oude wild wankelde op 203,68 milliseconden. Dit betekent dat het nieuwe protocol een veel soepelere, meer voorspelbare rit biedt voor data, wat cruciaal is voor veiligheidsberichten die op tijd en elke keer moeten aankomen.

Kortom, het artikel suggereert dat door een laag van intelligente voorspelling toe te voegen aan de routingregels, we de communicatie tussen auto's aanzienlijk betrouwbaarder kunnen maken, vooral wanneer de wegen niet volledig vaststaan. De auteurs ontdekten dat hoewel ze de fysica van radiogolven in een overvolle stad niet magisch kunnen oplossen, ze de auto's wel veel beter door de chaos kunnen laten navigeren dan voorheen. De simulatie bewijst dat weten wanneer een weg op het punt staat te breken net zo belangrijk is als weten welke weg de kortste is.