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

Imagine um mundo onde o seu carro não apenas dirige sozinho, mas também conversa com todos os outros carros na estrada, sussurrando segredos sobre congestionamentos, trechos de gelo ou acidentes repentinos. Isso não é ficção científica; é a realidade das Redes Veiculares Ad Hoc, ou VANETs. Pense nesses carros como um enorme e móvel cardume de peixes que precisa constantemente compartilhar informações para se manter seguro. Mas aqui está o problema: ao contrário de peixes em um lago calmo, os carros circulam em altas velocidades, fazendo curvas e sendo bloqueados por edifícios. Isso torna suas "conversas" incrivelmente instáveis. Os sinais que eles usam para conversar podem enfraquecer, ser interrompidos ou se perder no ruído de uma rua movimentada.

Para manter essas conversas em curso, os carros precisam de um "mapa" ou de um conjunto de regras para descobrir o melhor caminho para enviar uma mensagem. No mundo digital, isso é chamado de protocolo de roteamento. O livro de regras mais comum usado hoje chama-se AODV. É como um viajante que olha apenas para um mapa e pergunta: "Qual caminho tem menos paradas?" (contagem de saltos ou hop count). Embora isso funcione razoavelmente bem em um bairro tranquilo, é um desastre em uma cidade caótica. Se o viajante escolher um caminho com menos paradas, mas essas paradas estiverem em uma ponte em ruínas, a mensagem cairá no rio. A grande questão que os pesquisadores estão tentando resolver é: Como podemos tornar esses carros mais inteligentes para que eles não apenas contem paradas, mas realmente verifiquem se a estrada à frente é segura e estável antes de se comprometerem com a jornada?

É exatamente aqui que os pesquisadores Hamida Ikhlef e Ali Melit entram com sua nova ideia. Eles pegaram o livro de regras padrão do AODV e deram a ele uma atualização cerebral, criando um novo sistema que chamam de AODV-LSENN. Em vez de apenas contar paradas, o novo protocolo deles usa um "assistente inteligente" (uma rede neural) para espiar as condições físicas da estrada. Ele verifica coisas como a força do sinal de rádio, a distância entre os carros, a velocidade com que eles se movem em relação uns aos outros e até mesmo se a mensagem digital está ficando distorcida durante a transmissão.

Os pesquisadores treinaram esse assistente inteligente, que nomearam LSENN (Rede Neural de Estimativa de Estado de Link), para agir como um meteorologista para a estrada. Em vez de apenas dizer "está chovendo", ele prevê se uma conexão é Conectada (ensolarada e clara), Transiente (nublada e prestes a ficar tempestuosa) ou Desconectada (um apagão total). Se o assistente prevê que uma tempestade está chegando em uma estrada específica, o carro não espera a mensagem colidir; ele imediatamente muda para uma rota diferente e mais segura. É a diferença entre um motorista que espera até atingir um buraco para desviar e um que vê o buraco a um quilômetro de distância e desvia dele.

Para testar se esse "motorista inteligente" realmente funciona, os autores não colocaram carros reais em estradas reais. Em vez disso, eles construíram uma simulação de videogame massiva e detalhada usando uma ferramenta chamada NS-3. Eles criaram uma cidade virtual com uma grade de ruas (como Manhattan) e a preencheram com de 10 a 80 carros virtuais acelerando a velocidades entre 5 e 20 metros por segundo. Eles rodaram a simulação por 150 segundos, deixando os carros tentarem enviar mensagens usando tanto o método antigo AODV quanto o novo método AODV-LSENN.

Os resultados foram bastante reveladores, especialmente dependendo de quão congestionada estava a cidade virtual. Em um cenário de baixa densidade com apenas 10 carros, o novo sistema foi um vencedor claro. Ele conseguiu entregar 100% das mensagens com sucesso, enquanto o sistema antigo só conseguiu passar com 95,03%. O novo sistema também reduziu o tempo que uma mensagem leva para viajar do início ao fim (atraso fim a fim ou end-to-end delay) para apenas 12,6 milissegundos, comparado aos lentos 38,98 milissegundos do método antigo.

À medida que a cidade ficava mais movimentada, com 40 carros (uma densidade média), a diferença aumentou ainda mais. O protocolo AODV-LSENN entregou 83,87% dos pacotes, enquanto o antigo lutava com 65,46%. O atraso para o novo sistema foi de 86,98 milissegundos, enquanto o sistema antigo levou impressionantes 251,11 milissegundos. Isso aconteceu porque o assistente inteligente conseguiu identificar links instáveis e redirecionar o tráfego antes que as mensagens se perdessem.

No entanto, a história muda um pouco quando a cidade fica lotada com 80 carros. Neste caos de alta densidade, ambos os sistemas começaram a enfrentar dificuldades. A taxa de sucesso do novo sistema caiu para 52,61%, e a do antigo para 49,48%. O atraso para ambos disparou, ultrapassando os 300 milissegundos. Os pesquisadores explicam que isso não é porque o assistente inteligente deles falhou, mas porque o próprio "ar" ficou muito congestionado. Com tantos carros conversando ao mesmo tempo, os sinais de rádio começaram a colidir uns com os outros e o canal ficou saturado. É como tentar ter uma conversa em uma sala onde 80 pessoas estão gritando ao mesmo tempo; mesmo a pessoa mais inteligente não consegue ser ouvida claramente.

Apesar do congestionamento, o novo sistema manteve sua posição melhor que o antigo. Ele mostrou consistentemente um "jitter" menor, que é a medida de quanto o tempo de entrega varia. No cenário de 40 carros, o novo sistema teve um jitter de apenas 11,88 milissegundos, enquanto o antigo oscilou descontroladamente em 203,68 milissegundos. Isso significa que o novo protocolo proporciona uma viagem muito mais suave e previsível para os dados, o que é crucial para mensagens de segurança que precisam chegar no prazo, sempre.

Em suma, o artigo sugere que, ao adicionar uma camada de previsão inteligente às regras de roteamento, podemos tornar a comunicação veículo-a-veículo significativamente mais confiável, especialmente quando as estradas não estão completamente travadas. Os autores descobriram que, embora não possam consertar magicamente a física das ondas de rádio em uma cidade superlotada, eles podem definitivamente ajudar os carros a navegar pelo caos muito melhor do que antes. A simulação prova que saber quando uma estrada está prestes a quebrar é tão importante quanto saber qual estrada é a mais curta.