Naslov (srp)

Unapređenje protokola rutiranja za dinamičke bežične Ad hoc mreže korišćenjem mašinskog učenja : doktorska disertacija

Autor

Bugarčić, Pavle, 1994-

Doprinosi

Nešković, Nataša, 1969-
Malnar, Marija Z., 1983-
Radojičić, Valentina, 1964-
Stojanović, Mirjana D., 1962-
Marković, Goran Z., 1971-
Ivaniš, Predrag, 1974-
Jevtić, Nenad, 1975-

Opis (srp)

Sa razvojem pametnih gradova i inteligentnih transportnih sistema, primena bežičnih ad hoc mreža (Wireless Ad hoc Networks, WANETs), a posebno bežičnih ad hoc mreža za vozila (Vehicular Ad hoc Networks, VANETs) i bežičnih ad hoc mreža za letelice (Flying Ad hoc Networks, FANETs) sve više dobija na značaju. VANET i FANET mreže mogu se svrstati u grupu dinamičkih WANET mreža. Njihova izuzetna dinamičnost dovodi do učestalih prekida veza između čvorova, što otežava proces izbora optimalne putanje za slanje paketa i dovodi do degradacije mrežnih performansi. Jedan od načina da se ovaj problem prevaziđe jeste primena veštačke inteligencije u protokolima rutiranja. Veoma značajna oblast veštačke inteligencije koja se sve više primenjuje u dinamičkim WANET mrežama je mašinsko učenje (Machine Learning, ML), a posebno se ističe tip ML pod nazivom učenje potkrepljivanjem (Reinforcement Learning, RL). Najčešće korišćeni RL algoritmi u protokolima rutiranja za dinamičke WANET mreže su Q-učenje (Q-Learning, QL) i duboko učenje potkrepljivanjem (Deep Reinforcement Learning, DRL). U okviru ove disertacije predstavljen je pregled najznačajnijih protokola rutiranja baziranih na RL za dinamičke WANET mreže, njihova klasifikacija i poređenje. Zatim je opisan novi protokol rutiranja za urbane VANET mreže baziran na QL (QL-based Dynamic Routing Algorithm for urban VANETs, Q-DRAV), koji uključivanjem relevantnih mrežnih parametara u RL proces uspeva značajno da poboljša ukupne mrežne performanse VANET mreža. Novi protokol smanjuje gubitke paketa, kašnjenje paketa i džiter, dok istovremeno povećava protok paketa pri promenljivoj gustini i brzini vozila u mreži. Simulaciona analiza i poređenje sa drugim protokolima rutiranja izvršeni su u NS-3 simulatoru.

Opis (srp)

Traffic Engineering-Operation of telecommunication traffic and networks/Saobraćajno inženjerstvo-Eksploatacija telekomunikacionog saobraćaja i mreža Datum odbrane: 18.07.2025.

Opis (eng)

With the development of smart cities and intelligent transportation systems, the application of wireless ad hoc networks (WANETs), particularly vehicular ad hoc networks (VANETs) and flying ad hoc networks (FANETs), is gaining significance. VANETs and FANETs could be classified as dynamic WANETs. The exceptional dynamism of these networks leads to frequent disconnections between network nodes, complicating the process of selecting optimal routes for packet transmission and resulting in a degradation of network performance. One way to overcome this problem is through the application of artificial intelligence in routing protocols. A particularly significant area of artificial intelligence increasingly applied in dynamic WANETs is machine learning (ML), with a notable emphasis on a type of ML known as reinforcement learning (RL). The most commonly used RL algorithms in routing protocols for dynamic WANETs are Q-learning (QL) and deep reinforcement learning (DRL). This dissertation presents an overview of the most significant RL-based routing protocols for dynamic WANETs, including their classification and comparison. Subsequently, a new QL-based dynamic routing algorithm for urban VANETs (Q-DRAV) is introduced. By incorporating relevant network parameters into the RL process, this protocol significantly improves the overall network performance of VANETs. The new protocol reduces packet loss, packet delay, and jitter while simultaneously increasing packet throughput under varying vehicle density and speed in the network. Simulation analysis and comparisons with other routing protocols will be conducted using the NS-3 simulator.

Jezik

srpski

Datum

2025

Licenca

Ovo delo je licencirano pod uslovima licence
Creative Commons CC BY-NC-ND 3.0 AT - Creative Commons Autorstvo - Nekomercijalno - Bez prerada 3.0 Austria License.

http://creativecommons.org/licenses/by-nc-nd/3.0/at/legalcode

Predmet

OSNO - Opšta sistematizacija naučnih oblasti, Telekomunikacioni saobraćaj

WANET, VANET, FANET, routing protocols, machine learning, reinforcement learning, Q-learning, simulation analysis, NS-3 simulator

OSNO - Opšta sistematizacija naučnih oblasti, Telekomunikacioni saobraćaj

WANET, VANET, FANET, protokoli rutiranja, mašinsko učenje, učenje potkrepljivanjem, Q-učenje, simulaciona analiza, NS-3 simulator