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

Onder het oppervlak van de oceaan, waar het zonlicht vervaagt en de menselijke aanwezigheid schaars is, vindt een stille revolutie in gegevensverzameling plaats. Wetenschappers zetten netwerken van kleine, op batterijen werkende sensoren in om alles te monitoren, van vervuilingsniveaus tot de gezondheid van koraalriffen. Deze apparaten kunnen niet vertrouwen op de radiogolven die onze mobiele signalen dragen, omdat water die signalen bijna onmiddellijk absorbeert. In plaats daarvan moeten ze met elkaar communiceren via geluid, door akoestische pulsen door het donkere water te sturen om informatie door te geven. Deze methode van communicatie is inherent moeilijk; geluid reist traag, het water is luidruchtig en de sensoren zelf hebben zeer beperkte energie. Zodra een sensor in de zee is gedropt, kan deze niet gemakkelijk worden opgeladen of vervangen. Als een sensor zonder stroom komt te zitten, wordt hij stil, en als het pad voor zijn gegevens geblokkeerd is, gaat de informatie voor altijd verloren. De centrale uitdaging voor ingenieurs is het creëren van een systeem dat deze onderwaternetwerken zo lang mogelijk in leven houdt en laat communiceren, waarbij wordt gewaarborgd dat elk beetje data het oppervlak bereikt zonder de batterijen van de weinige resterende knooppunten uit te putten.

In een recente studie pakten onderzoekers Zeeshan Rasheed, Shahzad Ashraf en Muhammad Junaid Rabbani dit probleem aan door de sensoren te leren om slimmere keuzes te maken over wie hun berichten moet dragen. Ze ontwikkelden een nieuwe routeringsmethode gebaseerd op een type kunstmatige intelligentie genaamd deep reinforcement learning. In eenvoudige bewoordingen is dit een systeem dat leert van ervaring. Stel je een sensorknooppunt voor dat moet beslissen welke buurman het volgende bericht moet ontvangen. In plaats van een rigide, vooraf geschreven regel te volgen, evalueert dit nieuwe systeem zijn buren in realtime. Het kijkt naar hoeveel batterijvermogen elke buur nog heeft, hoe helder de geluidverbinding tussen hen is, hoeveel vooruitgang het bericht maakt richting het oppervlak, en of het pad vooruit tot een doodlopend spoor kan leiden waar geen verdere buren meer bestaan. Het systeem kiest vervolgens de beste enkele buurman om de data door te sturen, waarbij het de noodzaak om het bericht snel te verplaatsen afweegt tegen de noodzaak om energie te sparen voor de toekomst.

De onderzoekers testten deze aanpak in een gedetailleerde computersimulatie die de complexe omstandigheden van de oceaan nabootste, inclusief de beweging van het water, het geluid van de omgeving en de willekeurige plaatsing van sensoren. Ze vergeleken hun nieuwe methode met negen andere bestaande routeringsstrategieën, variërend van eenvoudige afstandsgebaseerde regels tot andere geavanceerde leersystemen. De resultaten toonden een duidelijk voordeel voor de nieuwe aanpak. In simulaties met honderd sensorknooppunten slaagde de voorgestelde methode erin 93,26 procent van alle berichten naar het oppervlak te leveren. Dit was een significante verbetering ten opzichte van de op de leermethode gebaseerde methode die het dichtst in de buurt kwam, die slechts 85,70 procent leverde. Belangrijker nog, de nieuwe methode was veel beter in het behouden van de energie van het netwerk. Aan het einde van de simulatie hadden de sensoren die dit nieuwe systeem gebruikten nog steeds 87,732 procent van hun oorspronkelijke batterijvermogen over, terwijl de andere methoden veel meer hadden verbruikt. Deze efficiëntie stelde het netwerk in staat om 662,6 ronden van datacontransmissie te opereren voordat het faalde, vergeleken met slechts 625 ronden voor de dichtstbijzijnde concurrent.

Het succes van dit systeem komt voort uit het vermogen om veelvoorkomende valkuilen te vermijden die onderwaternetwerken teisteren. Oudere methoden kozen vaak dezelfde paar sensoren om berichten door te sturen omdat ze het dichtst bij het oppervlak waren of het sterkste signaal hadden, wat die specifieke knooppunten snel uitputte en hiaten in het netwerk creëerde. Het nieuwe leersysteem vermijdt echter actief het overbelasten van een enkel knooppunt. Het leert ook om "voids" (leegtes) te herkennen en te vermijden, oftewel gebieden waar geen geschikte buurman bestaat om de volgende stap te zetten. Door keuzes die leiden tot deze doodlopende wegen of die vertrouwen op zwakke, luidruchtige verbindingen te bestraffen, zorgt het systeem ervoor dat data blijft bewegen zonder vast te lopen of verloren te gaan. De studie vond dat dit zorgvuldige selectieproces het aantal mislukte berichten veroorzaakt door deze leegtes met bijna de helft verminderde in vergelijking met andere leersystemen. Bovendien slaagde het systeem erin data sneller te leveren, met een gemiddelde vertraging van slechts 0,982 seconden, waarmee het de andere methoden versloeg die worstelden met vertragingen van meer dan 1,1 seconden.

Om precies te begrijpen waarom deze nieuwe methode zo goed werkte, voerden de onderzoekers een reeks tests uit waarbij ze specifieke onderdelen van het systeem één voor één verwijderden. Wanneer ze het deel verwijderden dat controleert op resterend batterijvermogen, daalde de levensduur van het netwerk aanzienlijk. Wanneer ze het deel verwijderden dat de kwaliteit van de geluidverbinding evalueerde, nam het aantal verloren berichten toe. Wanneer ze het deel verwijderden dat leerde om deze verschillende prioriteiten te balanceren op basis van veranderende omstandigheden, daalde de algehele prestatie tot het laagste punt. Deze tests bevestigden dat geen enkele factor op zichzelf voldoende was; het succes van het systeem rustte op de intelligente combinatie van energiebewustzijn, signaalkwaliteit, snelheid en risicobeoordeling. De onderzoekers merkten ook op dat de nieuwe methode iets meer tijd vereiste voor elk sensorknooppunt om een beslissing te nemen — ongeveer 0,60 milliseconden vergeleken met 0,35 milliseconden voor eenvoudigere methoden — maar dat deze kleine vertraging een deugdelijke ruil was voor de enorme winst in betrouwbaarheid en batterijduur.

De studie onderzocht ook hoe omgevingsfactoren zoals watertemperatuur en zoutgehalte deze netwerken beïnvloeden. De onderzoekers ontdekten dat veranderingen in temperatuur de grootste impact hadden op hoe geluid zich verplaatst, gevolgd door zoutgehalte. Hun systeem was ontworpen om zich aan deze veranderingen aan te passen, waarbij het keuzes aanpaste op basis van de huidige betrouwbaarheid van de akoestische verbindingen. In simulaties waarin de omgeving moeilijker werd, met hogere ruis of instabiele omstandigheden, behield de nieuwe methode haar hoge leveringspercentage, terwijl andere protocollen moeite hadden en vaker faalden. Deze robuustheid suggereert dat het systeem de onvoorspelbare aard van de echte oceaan beter kan aanpakken dan de huidige technologieën. De onderzoekers concludeerden dat door dit adaptieve, leercapaciteit-gebaseerde aanpak, onderwater sensornetwerken veel betrouwbaarder en duurzamer kunnen worden gemaakt, waardoor wordt gewaarborgd dat de kritieke gegevens die zij verzamelen de wetenschappers aan het oppervlak bereiken zonder dat het netwerk bezwijkt aan energie-uitputting. Hoewel de resultaten via simulatie werden behaald, suggereren de auteurs dat de volgende stap het testen van deze bevindingen op daadwerkelijke hardware is om te zien of de batterijbesparingen en leveringspercentages standhouden in de fysieke wereld.