DOI: https://doi.org/10.1038/s41598-025-08677-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40594790
تاريخ النشر: 2025-07-01
المؤلف: Rahul Priyadarshi وآخرون
الموضوع الرئيسي: شبكات الراديو الإدراكية واستشعار الطيف
نظرة عامة
تقدم هذه الورقة إطار عمل توجيه قائم على الذكاء الاصطناعي لوحدات الاستشعار اللاسلكية (WSNs) يتعاون فيه تقنيات التعلم المعزز (RL) والتعلم المراقب، وذكاء السرب، بما في ذلك الخوارزميات الجينية (GA) وتحسين سرب الجسيمات (PSO). على عكس بروتوكولات التوجيه التقليدية التي تستخدم خوارزميات ثابتة، يتميز الإطار المقترح بخط أنابيب اتخاذ قرارات ديناميكي يتكيف مع التغيرات في الوقت الحقيقي في طوبولوجيا الشبكة وحركة المرور وظروف الطاقة. على وجه التحديد، يتم استخدام RL لقرارات التوجيه المحلية، بينما يتم استخدام GA و PSO للتحسين العالمي تحت قيود الموارد. تظهر المحاكاة التي أجريت في MATLAB R2021b أن هذا الإطار يعزز بشكل كبير نسبة تسليم الحزم (PDR)، ويقلل من زمن الانتقال من النهاية إلى النهاية، ويحسن كفاءة الطاقة مقارنة بالبروتوكولات التقليدية.
تؤكد الدراسة على الدور الحاسم لوحدات الاستشعار اللاسلكية في تطبيقات متنوعة، مثل مراقبة البيئة والرعاية الصحية والأتمتة الصناعية، حيث تتعاون وحدات الاستشعار لجمع ومعالجة البيانات. ومع ذلك، تحدد أيضًا التحديات الكبيرة التي تواجه WSNs، بما في ذلك كفاءة الطاقة، وقابلية التوسع، وقيود بروتوكولات التوجيه الحالية مثل AODV و DSR، التي لا تناسب الخصائص الفريدة لوحدات الاستشعار اللاسلكية. تؤكد النتائج على إمكانية استراتيجيات التوجيه الهجينة القائمة على الذكاء الاصطناعي لتحسين موثوقية واستدامة WSNs في بيئات ديناميكية ومقيدة بالموارد. تشمل اتجاهات البحث المستقبلية دمج طرق الذكاء الاصطناعي مع التقنيات الناشئة مثل الحوسبة الطرفية و blockchain، بالإضافة إلى تعزيز موثوقية وأمان خوارزميات التوجيه القائمة على الذكاء الاصطناعي في WSNs.
الطرق
في هذه الدراسة، يقيم المؤلفون أداء طريقة توجيه قائمة على الذكاء الاصطناعي ضمن بيئة محاكاة مصممة لتقليد وحدات الاستشعار اللاسلكية (WSNs) في العالم الحقيقي. يسمح هذا الإعداد التجريبي بتقييم شامل لكفاءة الخوارزمية عبر ظروف وسيناريوهات الشبكة المختلفة، مما يوفر رؤى حول قوتها ومرونتها في التطبيقات العملية. تعتبر إطار المحاكاة أمرًا حيويًا لفهم كيفية أداء طريقة التوجيه المقترحة تحت ظروف متنوعة، مما يساعد في إبلاغ التحسينات المحتملة والتنفيذات في العالم الحقيقي.
النتائج
تظهر نتائج الدراسة أن خوارزمية التوجيه القائمة على الذكاء الاصطناعي تتفوق بشكل كبير على البروتوكولات الحالية، بما في ذلك DVR و LSR و ACO، عبر مقاييس أداء متعددة. بشكل ملحوظ، تحقق خوارزمية الذكاء الاصطناعي نسبة تسليم حزم (PDR) تبلغ 0.95، مقارنة بـ 0.85 و 0.88 و 0.91 للبروتوكولات الأخرى، مما يشير إلى موثوقية متفوقة في نقل البيانات. بالإضافة إلى ذلك، تظهر تأخيرًا منخفضًا من النهاية إلى النهاية قدره 25 مللي ثانية، مما يعزز استجابة الشبكة، خاصة للتطبيقات الحساسة للوقت. كما تظهر الخوارزمية انخفاضًا ملحوظًا في استهلاك الطاقة (500 جول)، مما يسهم في إطالة عمر الشبكة إلى 150 يومًا، وبالتالي تعزيز الاستدامة في النشر على المدى الطويل.
علاوة على ذلك، يتفوق النهج القائم على الذكاء الاصطناعي في قابلية التوسع، مع مؤشر قابلية توسع يبلغ 0.85، مما يسمح له بإدارة الشبكات الأكبر بكفاءة دون المساس بالأداء. تضمن كفاءته الحاسوبية (120 عملية/جول) تشغيلًا فعالًا في البيئات المقيدة بالموارد، مثل وحدات الاستشعار اللاسلكية (WSNs). تعكس مؤشر قوة الخوارزمية (0.92) ومعدل التكيف (0.88) قدرتها على تحمل فشل الشبكة والتكيف مع الظروف المتغيرة، بينما يشير خطأ التعميم المنخفض البالغ 0.05 إلى قدرتها على الأداء الجيد عبر سيناريوهات الشبكة المتنوعة. بشكل عام، تؤكد النتائج على مزايا خوارزمية التوجيه القائمة على الذكاء الاصطناعي في تعزيز كفاءة الشبكة وموثوقيتها واستدامتها.
المناقشة
تؤكد قسم المناقشة في هذه الورقة البحثية على ضرورة تطوير خوارزمية توجيه قائمة على الذكاء الاصطناعي مصممة خصيصًا لوحدات الاستشعار اللاسلكية (WSNs) بسبب قيود بروتوكولات التوجيه التقليدية مثل AODV و DSR، التي لا تناسب البيئات الديناميكية والمقيدة بالموارد لوحدات الاستشعار اللاسلكية. تحدد الورقة قضايا حاسمة مثل كفاءة الطاقة، وقابلية التوسع، وتحمل الأخطاء، والقدرة على التكيف التي تكافح الطرق التقليدية لمعالجتها. تبرز أهمية التوجيه الفعال لتعزيز نقل البيانات، والحفاظ على الطاقة، وموثوقية الشبكة بشكل عام. يتم الإشارة إلى الاهتمام المتزايد في تطبيقات الذكاء الاصطناعي لوحدات الاستشعار اللاسلكية، لا سيما في تحسين قرارات التوجيه من خلال التعلم الآلي (ML) وتقنيات الذكاء الاصطناعي الأخرى، التي أظهرت وعدًا في تحسين أداء الشبكة عبر تطبيقات متنوعة.
الهدف الرئيسي من الدراسة هو اقتراح وتقييم والتحقق من صحة خوارزمية توجيه قائمة على الذكاء الاصطناعي مصممة خصيصًا لوحدات الاستشعار اللاسلكية. يتضمن ذلك محاكاة شاملة لمقارنة الخوارزمية المقترحة ضد البروتوكولات التقليدية، مع التركيز على مقاييس الأداء مثل نسبة تسليم الحزم (PDR)، وزمن الانتقال من النهاية إلى النهاية، واستهلاك الطاقة، وقابلية التوسع، وتحمل الأخطاء. تهدف الدراسة إلى تقييم تجريبي لنقاط القوة والضعف في طرق التوجيه القائمة على الذكاء الاصطناعي، مما يضمن أن الحل المقترح لا يلبي فقط التحديات الفريدة لوحدات الاستشعار اللاسلكية، بل يتكامل أيضًا بسلاسة مع البنى التحتية الحالية. من خلال معالجة الطلبات المتطورة لتطبيقات وحدات الاستشعار اللاسلكية، تسعى الدراسة إلى المساهمة بشكل كبير في تحسين بروتوكولات التوجيه، مما يؤدي في النهاية إلى تحسين كفاءة وموثوقية وحدات الاستشعار اللاسلكية من خلال أساليب مبتكرة مدفوعة بالذكاء الاصطناعي.
القيود
يعترف المؤلفون بوجود قيود كبيرة في دراستهم لإطار عمل توجيه قائم على الذكاء الاصطناعي لوحدات الاستشعار اللاسلكية (WSNs)، مشيرين إلى أن النتائج تستند إلى محاكاة أجريت في MATLAB تحت ظروف مثالية. بينما تم تصميم معلمات المحاكاة لتعكس سيناريوهات النشر الواقعية، قد تقدم الظروف الفعلية تحديات مثل التداخل اللاسلكي، وفشل المستشعرات، وتغيرات البيئة. لمعالجة هذه القيود، يقترح المؤلفون أعمالًا مستقبلية تتضمن تنفيذات في العالم الحقيقي باستخدام وحدات استشعار مقيدة بالموارد، مثل منصات TelosB و Raspberry Pi، والتي ستساعد في التحقق من جدوى الإطار، وقابلية التوسع، والمرونة.
بالإضافة إلى ذلك، يؤكد المؤلفون على الحاجة إلى مزيد من البحث لتطوير نماذج ذكاء اصطناعي خفيفة الوزن، وتعزيز آليات الأمان، والتحقيق في تقنيات الذكاء الاصطناعي القابلة للتفسير المصممة للأنظمة المدمجة. يبرزون أهمية التعاون بين الباحثين، وأصحاب المصلحة في الصناعة، وصانعي السياسات لتحقيق الإمكانات الكاملة للتوجيه المدفوع بالذكاء الاصطناعي في وحدات الاستشعار اللاسلكية. تعتبر الاعتبارات الأخلاقية، بما في ذلك العدالة، واستدامة الطاقة، والامتثال التنظيمي، أيضًا ضرورية لضمان نشر هذه التقنيات بشكل مسؤول وفعال.
DOI: https://doi.org/10.1038/s41598-025-08677-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40594790
Publication Date: 2025-07-01
Author(s): Rahul Priyadarshi et al.
Primary Topic: Cognitive Radio Networks and Spectrum Sensing
Overview
This paper introduces a modular AI-based routing framework for Wireless Sensor Networks (WSNs) that synergizes reinforcement learning (RL), supervised learning, and swarm intelligence techniques, including genetic algorithms (GA) and particle swarm optimization (PSO). Unlike traditional routing protocols that utilize static algorithms, the proposed framework features a dynamic decision-making pipeline that adapts to real-time variations in network topology, traffic, and energy conditions. Specifically, RL is employed for local routing decisions, while GA and PSO are utilized for global optimization under resource constraints. Simulations conducted in MATLAB R2021b demonstrate that this framework significantly enhances packet delivery ratio (PDR), reduces end-to-end latency, and improves energy efficiency compared to conventional protocols.
The study emphasizes the critical role of WSNs in various applications, such as environmental monitoring, healthcare, and industrial automation, where sensor nodes collaborate to gather and process data. However, it also identifies significant challenges faced by WSNs, including energy efficiency, scalability, and the limitations of existing routing protocols like AODV and DSR, which are not well-suited for the unique characteristics of WSNs. The findings underscore the potential of hybrid AI-based routing strategies to improve the reliability and sustainability of WSNs in dynamic and resource-constrained environments. Future research directions include integrating AI methods with emerging technologies like edge computing and blockchain, as well as enhancing the reliability and security of AI-based routing algorithms in WSNs.
Methods
In this study, the authors assess the performance of an AI-based routing method within a simulated environment designed to mimic real-world Wireless Sensor Networks (WSNs). This experimental setup allows for a comprehensive evaluation of the algorithm’s efficiency across various network conditions and scenarios, providing insights into its robustness and adaptability in practical applications. The simulation framework is crucial for understanding how the proposed routing method performs under diverse circumstances, thereby informing potential improvements and real-world implementations.
Results
The results of the study demonstrate that the AI-based routing algorithm significantly outperforms existing protocols, including DVR, LSR, and ACO, across multiple performance metrics. Notably, the AI algorithm achieves a packet delivery ratio (PDR) of 0.95, compared to 0.85, 0.88, and 0.91 for the other protocols, indicating superior reliability in data transmission. Additionally, it exhibits a reduced end-to-end delay of 25 ms, enhancing network responsiveness, particularly for time-sensitive applications. The algorithm also shows a marked decrease in energy consumption (500 J), which contributes to an extended network lifetime of 150 days, thus promoting sustainability in long-term deployments.
Furthermore, the AI-based approach excels in scalability, with a scalability index of 0.85, allowing it to efficiently manage larger networks without compromising performance. Its computational efficiency (120 ops/J) ensures effective operation in resource-constrained environments, such as wireless sensor networks (WSNs). The algorithm’s robustness index (0.92) and adaptability rate (0.88) reflect its ability to withstand network failures and adapt to changing conditions, while a low generalization error of 0.05 indicates its capability to perform well across diverse network scenarios. Overall, the findings underscore the AI-based routing algorithm’s advantages in enhancing network efficiency, reliability, and sustainability.
Discussion
The discussion section of this research paper emphasizes the necessity of developing an AI-based routing algorithm tailored for Wireless Sensor Networks (WSNs) due to the limitations of traditional routing protocols like AODV and DSR, which are ill-suited for the resource-constrained and dynamic environments of WSNs. The paper identifies critical issues such as energy efficiency, scalability, fault tolerance, and adaptability that conventional methods struggle to address. It highlights the importance of effective routing for enhancing data transmission, energy conservation, and overall network reliability. The growing interest in AI applications for WSNs is noted, particularly in optimizing routing decisions through machine learning (ML) and other AI techniques, which have shown promise in improving network performance across various applications.
The primary objective of the study is to propose, evaluate, and validate an AI-based routing algorithm specifically designed for WSNs. This involves comprehensive simulations to compare the proposed algorithm against traditional protocols, focusing on performance metrics such as Packet Delivery Ratio (PDR), end-to-end latency, energy consumption, scalability, and fault tolerance. The research aims to empirically assess the strengths and weaknesses of AI-based routing methods, ensuring that the proposed solution not only meets the unique challenges of WSNs but also integrates seamlessly with existing infrastructures. By addressing the evolving demands of WSN applications, the study seeks to contribute significantly to the enhancement of routing protocols, ultimately improving the efficiency and reliability of WSNs through innovative AI-driven approaches.
Limitations
The authors acknowledge a significant limitation in their study of an AI-based routing framework for wireless sensor networks (WSNs), noting that the results are based on simulations conducted in MATLAB under idealized conditions. While the simulation parameters are designed to reflect realistic deployment scenarios, actual field conditions may present challenges such as wireless interference, sensor failures, and environmental variability. To address these limitations, the authors propose future work involving real-world implementations using resource-constrained sensor motes, such as TelosB and Raspberry Pi platforms, which will help validate the framework’s practicality, scalability, and resilience.
Additionally, the authors emphasize the need for further research to develop lightweight AI models, enhance security mechanisms, and investigate explainable AI techniques tailored for embedded systems. They highlight the importance of collaboration among researchers, industry stakeholders, and policymakers to fully realize the potential of AI-driven routing in WSNs. Ethical considerations, including fairness, energy sustainability, and regulatory compliance, are also deemed crucial for ensuring responsible and effective deployment of these technologies.