تاثير پارامتر تنظيم كننده‌ مدل حركتي سه‌بعدي گاوس- ماركوف بر عملكرد پروتكل‌هاي مسيريابي در شبكه‌هاي اقتضايي پروازي

Impact of Regularization Factor of a 3-D Gaussian-Markov Mobility Model on the Performance of Routing Protocols in FANETs

در محيط هايي كه استفاده از نيروي انساني يا وسايل نقليه دشوار است، شبكه هاي مبتني بر گره هاي پروازي و فاقد زيرساخت، از نظر زمان و هزينه ي راه اندازي، انتخابي كارآمد هستند. براي رسيدن به نتايج معتبر در بررسي عملكرد شبكه هاي اقتضايي پروازي، به پروتكل ها و مدل هاي دقيقي نياز است. در اين مقاله، براي مدل كردن حركت سه بعدي گره هاي پروازي، از مدل حركتي حافظه دار گاوس-ماركوف استفاده مي شود؛ اثر دو متغير اصلي اين مدل، يكي پارامتر تنظيم كننده، آلفا، كه بيانگر مقدار حافظه ي موجود در هنگام به روزرساني متغيرها بوده و ديگري گام هاي زماني كه بيانگر نرخ به روزرساني متغيرها است، بر روي الگوي حركتي گره ها بررسي و متعاقب آن عملكرد شبكه ارزيابي مي شود. همچنين دو پروتكل مسيريابي OLSR و AODV كه به ترتيب از دو رويكرد مبتني بر جدول و مبتني بر تقاضا هستند، در نظر گرفته مي شوند. نتايج نشان مي دهد كه با افزايش و تصادفي شدن الگوي حركتي گره ها، كيفيت عملكرد هر دو نوع پروتكل از نظر هر دو معيار متوسط تاخير و نسبت بسته هاي دريافتي افت مي كند. براي مقادير كوچك آلفا (α< 0.6) و با به روزرساني متناوب متغيرها، متوسط تاخير تقريبا ثابت مي ماند؛ همچنين براي كليه ي مقادير ، نسبت بسته هاي دريافتي با افزايش سرعت (از 5 به 30 متر بر ثانيه) كاهش مي يابد. از طرفي با افزايش تعداد گره هاي پروازي، عملكرد پروتكل مبتني بر تقاضا از نظر اين معيار بهبود مي يابد؛ اما با توجه به افزايش حجم پيام هاي كنترلي در شبكه، اين بهبود عملكرد در چگالي بالاتر (15 گره) براي پروتكل OLSR مشاهده نمي شود.

Accurate mobility models are crucial to suitably model different types of FANETs’ movements, including both rapid and sporadic changes in directions and movement in straight lines. Due to its capability to model the mobility of flying ad-hoc nodes in three dimensions, Gaussian-Markov mobility model has been examined in this work. Our analysis covers two parameters with the greatest impact on the performance of the network; the regularization factor which determines the impact of memory when updating the variables and the time step, which expresses the frequency of updating the parameters. Two commonly known protocols, OLSR and AODV from proactive and reactive types, respectively, have been used to examine the network performance in terms of mean transmission delay and packet delivery ratio (PDR) while the Gaussian-Markov is being applied on the nodes. It is shown that as the regularization factor increases and nodes move more randomly, the performance of both types of protocols degrades in terms of both delay and PDR. For small values of alpha (alpha < 0.6 ), the delay remains almost unchanged in both protocols when the variables are updated frequently, e.g. ts = 0.1 s. The PDR is also shown to decrease as the nodes travel in faster speeds (30 m/s) for all values of . The reactive protocol delivers better network performance when more flying nodes are deployed as relay nodes; however, the proactive protocol fails to achieve the same results due to the redundant control messages passed through the network.