基于真实飞行数据的航空自组织网络深度学习辅助数据包路由：从单目标到近帕累托多目标优化
网络与互联网体系结构
2021-10-29 v1 人工智能
机器学习
摘要
由于拓扑高度动态，航空自组织网络（AANETs）中的数据包路由具有挑战性。在本文中，我们利用深度学习（DL）来辅助 AANETs 中的路由。我们从最小化端到端（E2E）延迟这一单目标出发。具体而言，设计了一个深度神经网络（DNN），用于将转发节点观测到的本地地理信息映射为确定最优下一跳所需的信息。该 DNN 通过利用来自历史飞行数据的商用客机规律性移动模式进行训练。训练完成后，每架飞机存储该 DNN，以在飞行期间仅依靠本地地理信息辅助其路由决策。此外，我们将 DL 辅助路由算法扩展到多目标场景，旨在同时最小化延迟、最大化路径容量以及最大化路径寿命。基于真实飞行数据的仿真结果表明，所提出的 DL 辅助路由在 E2E 延迟、路径容量以及路径寿命方面优于现有的基于位置的路由协议，并且其能够逼近利用全局链路信息获得的帕累托前沿。
引用
@article{arxiv.2110.15145,
title = {Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization},
author = {Dong Liu and Jiankang Zhang and Jingjing Cui and Soon-Xin Ng and Robert G. Maunder and Lajos Hanzo},
journal= {arXiv preprint arXiv:2110.15145},
year = {2021}
}
备注
Published in IEEE Internet of Things Journal