📊 statistics

Energy-Efficient Routing Protocol in Vehicular Opportunistic Networks: A Dynamic Cluster-based Routing Using Deep Reinforcement Learning

Este artigo propõe o protocolo CR-DRL, que utiliza aprendizado por reforço profundo e agrupamento dinâmico para otimizar o roteamento em redes veiculares oportunas, resultando em maior eficiência energética, redução de latência e melhoria na taxa de entrega de dados.

Autores originais: Meisam Sharifi Sani, Saeid Iranmanesh, Raad Raad, Faisel Tubbal

Publicado 2026-02-18

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Meisam Sharifi Sani, Saeid Iranmanesh, Raad Raad, Faisel Tubbal

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está em uma cidade muito movimentada, cheia de carros. Cada carro tem um celular que quer enviar uma mensagem para outro carro que está longe. O problema é que, no trânsito, os carros andam rápido, mudam de direção e muitas vezes ficam sem sinal de internet (como se estivessem em um túnel ou em uma rua sem cobertura).

Nas redes de computadores tradicionais, se o sinal some, a mensagem some. Mas neste artigo, os autores falam sobre uma rede chamada "Rede Oportunista". A ideia é: se o carro A não consegue falar com o carro B agora, ele guarda a mensagem, espera até encontrar o carro C que está passando, entrega a mensagem para o C, e o C leva até encontrar o B. É como passar um bilhete de mão em mão em uma multidão.

O problema é que, com tantos carros e tanta movimentação, esse sistema pode ficar bagunçado, lento e gastar muita bateria dos celulares.

A Solução: O "CR-DRL" (O Maestro Inteligente)

Os autores criaram um novo sistema chamado CR-DRL. Para explicar de forma simples, vamos usar uma analogia de uma orquestra em uma cidade em movimento.

1. O Problema: A Orquestra Caótica

Imagine que cada carro é um músico. Se cada um tocar sozinho, tentando adivinhar para quem passar a música, o resultado é um barulho confuso. Alguns músicos ficam exaustos (bateria acabada), outros ficam com a partitura cheia de papéis (memória cheia), e a música demora muito para chegar ao destino.

2. A Solução: Os "Maestros" (Cluster Heads)

O CR-DRL organiza os carros em grupos (clusters), como se fossem seções de uma orquestra (violinos, trompetes, etc.).

O Maestro (Cluster Head): Em cada grupo, um carro é escolhido para ser o "Maestro". Ele é responsável por receber as mensagens de todos os carros do grupo e decidir para onde enviar.
Como escolher o Maestro? O sistema não escolhe aleatoriamente. Ele usa uma Inteligência Artificial (chamada Deep Reinforcement Learning) que aprende com a experiência.
- Ela olha para quem tem mais bateria (para não cansar o músico).
- Ela olha para quem tem mais espaço na memória (para não perder a partitura).
- Ela olha para quem encontra mais carros (para ter mais chances de entregar a mensagem).

É como se o sistema dissesse: "Hoje, o carro X é o melhor maestro porque ele tem bateria cheia, memória livre e está numa esquina muito movimentada."

3. A Mágica: Ajuste Dinâmico (O "ADT")

A cidade muda o tempo todo. Às vezes, o trânsito está parado (muitos carros juntos); às vezes, está vazio.

Se o sistema fosse rígido, ele criaria grupos do mesmo tamanho o tempo todo, o que não funcionaria bem.
O CR-DRL usa uma "Regra de Ajuste Inteligente" (ADT).
- Em trânsito pesado: Os grupos ficam menores e mais organizados para não virar uma bagunça.
- Em trânsito vazio: Os grupos se estendem mais, cobrindo distâncias maiores para garantir que ninguém fique isolado.

É como um maestro que, se a orquestra estiver grande, divide os músicos em mais seções pequenas. Se a orquestra estiver pequena, ele junta todos em um círculo grande para que todos se ouçam.

4. A Ponte entre Grupos (Os "Mensageiros Comuns")

Às vezes, um carro faz parte de dois grupos ao mesmo tempo (está na fronteira entre duas seções). O CR-DRL usa esses carros como ponte para passar a mensagem de um grupo para o outro, garantindo que a mensagem não fique presa em um só lugar.

Os Resultados: Por que isso é incrível?

Os autores testaram isso em simulações e os resultados foram como se a orquestra tivesse aprendido a tocar perfeitamente:

Bateria que dura mais: Os carros (nós) duram 21% mais porque o sistema não sobrecarrega os que já estão fracos.
Mensagens chegam mais rápido: O atraso caiu em 28,5%. A mensagem não fica presa em loops ou esperando em vão.
Mais mensagens entregues: A taxa de sucesso aumentou em 10%.
Menos "pulos": A mensagem precisa passar por menos carros intermediários (30% menos), o que economiza energia e tempo.

Resumo Final

Pense no CR-DRL como um sistema de trânsito inteligente para mensagens. Em vez de deixar cada carro tentar adivinhar o caminho, ele cria "bairros" (grupos) dinâmicos, escolhe os "líderes de bairro" (maestros) mais capazes e ajusta o tamanho desses bairros conforme o fluxo de carros.

O resultado? Uma cidade onde as mensagens viajam de carro em carro de forma eficiente, sem gastar a bateria dos veículos e chegando ao destino muito mais rápido, mesmo no trânsito mais caótico. É como transformar uma multidão desorganizada em uma equipe de entrega super eficiente.

1. Problema e Contexto

O artigo aborda os desafios de roteamento em Redes Oportunísticas Veiculares (OppNets), um subconjunto das Redes de Ad Hoc Veiculares (VANETs). Em ambientes urbanos dinâmicos, a conectividade é intermitente devido à alta mobilidade dos nós (veículos), resultando em mudanças frequentes na topologia da rede.

Os principais problemas identificados são:

Paradigma Store-Carry-Forward (SCF): Embora essencial para manter a comunicação, o SCF tradicional pode levar a inundações de pacotes (flooding), alto overhead, perda de pacotes devido a buffers limitados e aumento da latência.
Limitações das Abordagens Atuais: Métodos de roteamento baseados em aprendizado de máquina (RL/DRL) muitas vezes sofrem com alto custo computacional e dificuldade de adaptação em tempo real. Métodos de agrupamento (clustering) existentes frequentemente utilizam limiares fixos, não conseguindo adaptar-se a mudanças rápidas na densidade de nós, o que leva a seleção ineficiente de cabeças de cluster (Cluster Heads - CHs), desequilíbrio de carga e gestão de energia deficiente.
Incompatibilidade com TCP/IP: A natureza fragmentada das OppNets dificulta a implementação de protocolos de transporte padrão como o TCP/IP, que exigem conexões estáveis.

2. Metodologia Proposta: CR-DRL

Os autores propõem o CR-DRL (Cluster-based Routing using Deep Reinforcement Learning), um protocolo de roteamento adaptativo que integra um framework de Aprendizado por Reforço Profundo (DRL) do tipo Actor-Critic (AC) com uma função heurística dinâmica.

Componentes Principais:

Seleção de Cabeças de Cluster (Actor-Critic):
- O algoritmo AC seleciona dinamicamente as cabeças de cluster com base em três métricas em tempo real:
  1. Taxa de Encontro (Encounter Rate): Histórico de interações com outros nós.
  2. Energia Residual: Garantir que o nó tenha energia suficiente para tarefas de roteamento.
  3. Tamanho do Buffer: Capacidade de armazenar e retransmitir pacotes.
- A função de recompensa equilibra a taxa de entrega, o throughput e o atraso de ponta a ponta (E2E delay).
- O uso de regularização de entropia e um replay buffer garante estabilidade no treinamento e evita convergência prematura para ótimos locais.
Agrupamento Dinâmico (Função Heurística ADT):
- Introduz-se a Adaptive Distance Threshold (ADT), uma função que ajusta o grau de sobreposição entre clusters com base na densidade de nós ( $H$ ) e na distribuição espacial.
- A fórmula $̺d = \Delta \cdot (1/\sqrt{H})$ permite que clusters se expandam em áreas esparsas (para manter conectividade) e se contraiam em áreas densas (para reduzir overhead e custos de comunicação intra-cluster).
- O fator de escala $\Delta$ foi otimizado via simulação para 1.5, equilibrando o tamanho do cluster e os custos de comunicação.
Arquitetura Middleware para TCP/IP:
- O CR-DRL transforma clusters dinâmicos em segmentos de rede virtuais.
- As cabeças de cluster atuam como gateways e nós compartilhados (common members) atuam como relays entre clusters.
- Isso cria caminhos lógicos estáveis, permitindo a compatibilidade com protocolos TCP/IP sem a necessidade de infraestrutura física fixa (como RSUs).
- Mecanismos de prevenção de loops (TTL e contagem de saltos) são implementados para evitar retransmissões desnecessárias.

3. Contribuições Chave

Protocolo de Roteamento Inteligente: Primeiro protocolo na literatura a utilizar um modelo de aprendizado profundo (AC) para seleção de cabeças de cluster em OppNets, superando métodos estáticos e baseados em limiares fixos.
Otimização Dinâmica de Sobreposição: Desenvolvimento da função ADT que ajusta a formação de clusters em tempo real conforme a densidade da rede, melhorando a escalabilidade e a conectividade.
Compatibilidade com TCP/IP: Proposta de uma arquitetura de middleware que virtualiza a rede dinâmica, permitindo o uso de protocolos de transporte convencionais em ambientes de conectividade intermitente.
Gestão de Recursos Eficiente: Seleção de CHs que considera energia, buffer e mobilidade, prevenindo o esgotamento prematuro de nós críticos e equilibrando a carga de trabalho.

4. Resultados da Simulação

As simulações foram realizadas no simulador ONE (Opportunistic Network Environment) utilizando mapas reais de Helsinque, com modelos de mobilidade heterogêneos (Random Waypoint, Gauss-Markov e Working Day Movement). O CR-DRL foi comparado com protocolos de ponta como EEHCHR, ECRDP, Mobility Adaptive, RLProph e Latency-Aware.

Principais Ganhos de Desempenho:

Eficiência Energética:
- Aumento de até 21% na vida útil dos nós.
- Redução de 17% no consumo total de energia.
- Os nós permanecem ativos 15% mais tempo.
Desempenho de Comunicação:
- Taxa de Entrega (Delivery Ratio): Aumento de até 10% em comparação com os baselines.
- Atraso (Delay): Redução de 28,5% no atraso de ponta a ponta.
- Throughput: Aumento de 7%.
- Saltos (Hop Count): Redução de 30% no número de transmissões necessárias (saltos), indicando rotas mais diretas e eficientes.
Estabilidade da Rede:
- Redução de 85% na fragmentação da rede (partições) em comparação com a arquitetura SCF tradicional.
- Atinge conectividade quase total (quase 100%) em 50 segundos, enquanto métodos tradicionais permanecem fragmentados.
- Taxa de mudança de cabeças de cluster reduzida em até 21% em cenários de alta densidade.

5. Significância e Conclusão

O artigo demonstra que a integração de Deep Reinforcement Learning com estratégias de agrupamento dinâmico é uma solução viável e superior para os desafios das redes veiculares oportunísticas. O CR-DRL não apenas melhora métricas tradicionais de roteamento (latência, entrega, energia), mas também resolve um problema fundamental de infraestrutura: a compatibilidade com TCP/IP em redes sem infraestrutura fixa.

Ao criar "segmentos virtuais" estáveis através de clusters dinâmicos, o protocolo permite que aplicações de cidades inteligentes e sistemas de transporte inteligentes (ITS) operem com maior confiabilidade e eficiência energética. O trabalho abre caminho para futuras pesquisas em redes 6G e computação de borda, sugerindo o uso de IA generativa e aprendizado federado para otimização ainda mais avançada.