یک الگوریتم مسیریابی مبتنی بر یادگیری ماشین برای اینترنت اشیاء متحرک

اینترنت اشیاء و کاربردهای آن امروزه در همه‌ی ابعاد زندگی بشری قابل مشاهده است که اضافه شدن قابلیت تحرک به اشیاء، چالش‌های جدیدی به وجود آورده است. تحرک گره‌ها باعث پویایی در توپولوژی و ناپایداری در لینک‌های شبکه شده و کشف مسیر با سربار و تاخیر کمتر را با چالش‌های متعدد مواجه کرده است. بیشتر الگوریتم‌های مسیریابی مبتنی بر تکنیک مسیر بردار فاصله مبتنی بر درخواست می‌باشند که مبتنی بر درخواست گره مبدا می‌باشد. در سال‌های اخیر بهبودهایی برروی این مکانیزم ارائه شده است که نسخه چند مسیره آن یکی از این بهبودها می‌باشد. با توجه به پویایی بالای شبکه و تغییرات لحظه‌ایی در اینترنت اشیاء متحرک، امکان پیش‌بینی همه شرایط و تنظیم بهینه پارامترها از قبل وجود ندارد. لذا در این مقاله یک رویکرد مسیریابی مبتنی بر الگوریتم مسیریابی بردار فاصله چند مسیره ارائه می‌شود که با یادگیری ماشین سعی دارد شرایط شبکه را ارزیابی کرده و بهترین گره واسط را برای مسیریابی انتخاب کند. در رویکرد پیشنهادی پنج الگویتم یادگیری ماشین مانند ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیم‌گیری برای یادگیری مورد بررسی قرار می‌گیرند که چندین پارامتر شبکه مانند سرعت حرکت گره‌ها، تعداد گره‌های همسایه، اندازه بافر، انرژی باقیمانده و میانگین فاصله هر گره با همسایگانش را برای انتخاب گره واسط مناسب مورد بررسی قرار می‌دهند. نتایج شبیه‌سازی‌های انجام شده با زبان پایتون نشان می‌دهد که درخت تصمیم و گرادیان تقویت شده بهترین نتایج را در مجموعه داده جمع‌آوری شده دارند و با ترکیب آنها با رویکرد پیشنهادی، میزان تاخیر آنها به انتها به طور متوسط تا 30 درصد و تعداد بسته‌های گمشده نیز تا 18 درصد کاهش داشته است.

a machine learning-based routing algorithm for mobile internet of things

the internet of things and its applications can be seen in all aspects of human life, and adding mobility features to objects has brought about new challenges. mobility causes dynamics in topology and instability in the network links, and introduces several hurdles in discovering the path with less overhead and low delay. most of the routing algorithms are based on the on-demand distance vector routing algorithm based on the source node’s request. in recent years, several improvements have been presented on this mechanism, and its multi-path version is one of the notable improvements. due to the high dynamics of the network and the momentary changes in the mobile internet of things, it is impossible to predict all the circumstances and adjust the optimal parameters in advance. thus, a novel routing strategy based on machine learning and multi-path distance vector routing is introduced in this research. its goal is to assess network conditions and choose the optimal interface node for packet forwarding. five machine learning algorithms, including decision trees, random forests, and support vector machines, are used in the proposed approach for learning and evaluation. a number of network parameters, including node velocity, the number of neighboring nodes, buffer size, remaining energy, and the average distance between each node and its neighbors, are taken into account when choosing the best interface node. distance of each node with its neighbors are considered for selection of the appropriate interface node. the simulation results conducted through python indicate that the decision tree and the gradient boosting have the best results in the collected data set, and by combining them with the proposed approach, the end-to-end delay is reduced by 30%, and the number of lost packets is reduced by 18%.