面向可靠空中网状路由的机器学习赋能上下文自适应
网络与互联网体系结构
2021-07-14 v1
摘要
在本文中，我们提出上下文自适应 PARRoT（CA-PARRoT），作为我们先前工作“由强化学习与轨迹知识驱动的预测式自组织路由（PARRoT）”的扩展。在城市环境中出现的短期效应，已被证明会对基于强化学习（RL）的路由过程产生负面影响。因此，我们在更新过程中加入基于定时器的补偿机制，并引入一种混合机器学习（ML）方法，利用专用 ML 组件对无线电环境原型（REP）进行分类，并使协议能够实现自主上下文自适应。该新协议的性能在考虑不同 REP 的综合网络仿真中得到评估，并与知名成熟的移动自组织网络（MANET）路由协议进行比较。结果表明，CA-PARRoT 能够补偿不同 REP 中面临的挑战，相较于 PARRoT 其关键性能指标（KPI）提升高达 23%，并且相较成熟路由协议性能高出至多 50%。
引用
@article{arxiv.2107.06190,
title = {Towards Machine Learning-Enabled Context Adaption for Reliable Aerial Mesh Routing},
author = {Cedrik Schüler and Benjamin Sliwa and Christian Wietfeld},
journal= {arXiv preprint arXiv:2107.06190},
year = {2021}
}