基于强化学习的 RPL 链路质量估计策略及其对拓扑管理的影响
网络与互联网体系结构
2022-06-02 v1
摘要
近年来，标准化工作巩固了低功耗有损网络路由协议 (RPL) 作为基于 IPv6 的无线传感器网络 (WSNs) 标准路由协议的作用。尽管许多核心功能已有明确定义，其他功能仍依赖于具体实现。其中，高效的链路质量估计 (LQE) 策略的定义至关重要，因为它显著影响所选网络路由的质量以及节点的能耗。本文中，我们提出 RLProbe，一种用于 RPL 中链路质量监测的新策略，它以最小的开销和能量浪费精确测量链路质量。为实现此目标，RLProbe 利用同步和异步监测方案来维护最新的链路质量信息并快速响应突发拓扑变化（例如由于移动性引起）。我们的解决方案依赖强化学习模型来驱动监测过程，以最小化主动探测操作引起的开销。所提方案的性能通过仿真和真实实验进行了评估。结果表明，RLProbe 有效改善了丢包率，使节点能够快速响应链路质量变化以及由于节点移动性导致的链路故障。
引用
@article{arxiv.2206.00273,
title = {A reinforcement learning-based link quality estimation strategy for RPL and its impact on topology management},
author = {Emilio Ancillotti and Carlo Vallati and Raffaele Bruno and Enzo Mingozzi},
journal= {arXiv preprint arXiv:2206.00273},
year = {2022}
}