Routing pada Jaringan Wireless Ad Hoc menggunakan teknik Soft Computing dan evaluasi kinerja menggunakan simulator Hypernet
Tulisan ini menyajikan sebuah protokol untuk routing dalam jaringan ad hoc yang menggunakan teknik soft computing seperti jaringan saraf, logika fuzzy dan algoritma genetika. Simulasi dilakukan dengan menggunakan simulator hypernet untuk protokol yang ada seperti berbagai proaktif routing, reaktif routing, power aware routing protocol, routing hybrid. Protokol ini menggunakan teknik protokol soft computing untuk membangun link antara node dalam waktu yang minimal.
Pembahasan: Wireless Ad Hoc Networks (MANET) Jaringan ad-hoc adalah kumpulan host mobile nirkabel membentuk jaringan sementara tanpa bantuan administrasi yang terpusat. Wireless Ad Hoc (MANET) ditandai dengan mobilitas mereka. Dalam lingkungan seperti itu, mungkin perlu untuk satu host / mobile host meminta bantuan dari host lain dalam meneruskan paket ke tujuan, karena jangkauan yang terbatas dari transmisi nirkabel pada masing-masing host.
Gambar 1. Hop multi komunikasi antara sumber dan tujuan
Waktu memainkan peran penting dalam kegiatan komunikasi, baik itu protokol sesi transfer atau operasi routing yang polos (routing biasa). Dalam pandangan dari fakta-fakta ini, implementasi protokol yang efisien mengasumsikan tingkat kepentingan yang tinggi dalam implementasi praktisnya. Efisiensi dari sebuah routing protocol (pada tingkat terluar) secara langsung berkaitan dengan berbagai faktor seperti mobilitas node, topologi yang dinamis, kemampuan komunikasi dari node, masalah konsumsi daya, kendala bandwidth, kemacetan lalu lintas, keamanan dan host parameter terkait lainnya, yang semuanya harus diatur dengan baik untuk mencapai kinerja yang optimal yang memadai pada tingkat minimum.
Artificial Neural Networks Menurut laporan, otak manusia terdiri dari sekitar sepuluh miliar neuron dan neuron rata-rata terhubung ke beberapa ribu neuron lainnya. Dengan cara koneksi ini, neuron mengirim dan menerima jumlah energi yang berbeda-beda. Salah satu fitur yang sangat penting dari neuron adalah bahwa mereka tidak langsung bereaksi terhadap penerimaan energi. Sebaliknya, jumlah energi yang mereka terima, dan mereka mengirim jumlah mereka sendiri energi ke neuron lain hanya bila jumlah ini telah mencapai batas kritis tertentu. Otak belajar menyesuaikan jumlah dan kekuatan dari koneksi ini. Bahkan meskipun gambaran ini adalah penyederhanaan fakta-fakta biologis, itu cukup kuat untuk menjadi model untuk jaringan saraf. Langkah pertama menuju pemahaman jaringan saraf abstrak adalah dari neuron biologis, dan untuk fokus pada karakter sebagai unit logika threshold (TLU). Sebuah TLU adalah obyek yang input array jumlah tertimbang, menjumlahkan mereka, dan jika jumlah ini memenuhi atau melampaui ambang batas tertentu, outputkan sebuah kuantitas. Mari kita labelkan fitur ini. Pertama, ada input dan bobot masing-masing: X1, X2, …, Xn dan W1, W2, …, Wn. Lalu, ada yang dijumlahkan, yang menghasilkan tingkat aktivasi, dengan kata lain
Ambang batas ini disebut theta. Terakhir, ada output: y. Saat a > = theta, y = 1, selain itu y = 0. Perhatikan bahwa output tidak perlu terputus, karena juga dapat ditentukan oleh
fungsi squashing, (atau sigma), yang argumen, dan yang nilainya antara 0 dan 1. Kemudian, y = s (a). Unit logika ambang seperti ditunjukkan pada Gambar. 2.
Fuzzy Logic Dalam konteks protokol model untuk Jaringan Ad Hoc, sebagian besar parameter tidak tepat atau tidak begitu-didefinisikan dengan baik. Misalnya, mobilitas dapat dinyatakan secara samar melalui vektor gerak (nilai-nilai yang tepat tidak akan pernah diketahui dan tidak terlalu penting). Demikian pula, jarak keterbatasan, daya yang tersedia pada node, kepadatan lalu lintas adalah parameter di mana penentuan nilai yang tepat tidak praktis terlalu penting.
Gambar 2. Ambang logika unit, dengan sigma fungsi (atas) dan memotong fungsi (bawah).
Genetic Algorithm (GA) Tujuan dasar dari algoritma genetika (GAs) adalah optimasi. Karena masalah optimasi sering muncul, ini membuat GAs cukup berguna untuk berbagai macam kasus. Seperti dalam semua masalah optimasi, kita dihadapkan dengan masalah memaksimalkan / meminimalkan fungsi tujuan atas x ruang yang diberikan dimensi arbitrary.
Algoritma
Setiap masukan x dalam x adalah vektor integer X = X1, X2, …, Xn. Demi kesederhanaan, asumsikan 0 <= X1 <= k for i = 1…n. Agar menerapkan algoritma genetika untuk mengoptimalkan f, pertama kita perlu untuk mengkodekan setiap masukan ke dalam kromosom. Kita bisa melakukannya dengan memiliki bit log(k) per komponen dan langsung pengkodean nilai Xi. Setiap bit akan disebut gen. Tentu saja, kita dapat memilih pengkodean lainnya berdasarkan kebutuhan dan masalah yang dihadapi.
Neuro-Fuzzy-Genetic Based Network Berdasarkan pembahasan sebelumnya dari tiga unsur penting (Articifial Neural Networks, Fuzzy Logic, Algoritma Genetika) dan algoritmanya sendiri, Jaringan Saraf Tiruan bertindak seperti mesin inferensi kuat, menggambar semua aturan inferensi dari basis pengetahuan yang luas. Fungsi hybrid Neural Network akan bekerjasama dengan Fuzzy Logic, operasi pada input (yang kabur di alam) dan menghasilkan satu set solusi dalam ruang solusi dengan pencarian minimal menggunakan algoritma genetika. Sebuah skema epresentative dari jaringan yang diusulkan seperti yang ditunjukkan pada Gambar.3.
Penerapan: A. Implementasi Neuro-Fuzzy-Genetic Network Tujuan protokol ini adalah untuk menetapkan rute terbaik dalam waktu minimum mungkin dan pendekatan yang tepat untuk masalah ini adalah penggunaan teknologi komputasi lunak seperti Nets Neural untuk mengurangi dimensi dari Logic, masalah Fuzzy untuk menangani input tidak tepat dan Algoritma Genetika untuk menemukan solusi optimal dalam ruang solusi oleh pencarian dan teknik heuristik terkait. Masalahnya, itu mengurangi untuk menemukan solusi yang dapat diterima dalam arti yang optimal. Pemrograman linear tidak sesuai pada saat masukan ke sistem tidak renyah.
Kombinasi bijaksana Neural Network dengan Logika Fuzzy dan Algoritma Genetik tampaknya menjadi solusi ideal.
Gambar. 3. Neuro - Fuzzy-Genetik Jaringan Berbasis Input hubungan keluaran tergantung pada berbagai parameter yang disebutkan dalam tabel di atas dan fakta ini membuat jaringan jauh lebih kompleks daripada yang tradisional. Terkait dengan setiap parameter masukan, ada satu set bobot koneksi. Dalam kasus kami ada 11 parameter input Ixi with x = 0 thru 10. Bobot Koneksi terkait adalah Wxk dengan x = 0 thru 11 dan k = 0 melalui n thru 1. Wx adalah himpunan bobot yang terkait dengan lapisan Ix dan Wxk adalah berat kthru di Wx set. Jumlah tertimbang lapisan adalah:.
. Kami mengusulkan Jaringan Syaraf Propagasi
Kembali dengan lapisan masukan beberapa bukan hanya satu. Lapisan input ke sistem yang numerated pada tabel yang disebutkan di atas. Sesuai untuk setiap lapisan masukan dengan satu set bobot koneksi, jumlah tertimbang dihitung:.
. Ini jumlah tertimbang, kami
akan menunjuk sebagai: Qk, di mana k adalah indeks yang sesuai dengan set lapisan masukan. Dengan asumsi satu set lapisan masukan N, kita memiliki satu set N jumlah tertimbang: Qk dengan
. Fungsi squashing biasa digunakan dalam Neural
Networks memiliki cut off tajam atau cut off eksponensial batas. Eksperimentasi yang luas dan studi empiris telah menunjukkan bahwa bentuk terbaik dari squashing dicapai melalui fungsi: Output – sqrt(e(x2+y2))
Dimana x dan y dipilih awalnya sebagai 0,1 dan diperbarui melalui tahap pelatihan. Pada akhirnya kita memiliki satu set nilai-nilai N tergencet yang selanjutnya diolah dalam mekanisme menemukan rute.
Evaluasi Kinerja: A. Simulator NS2 Tegasnya, NS2 dirancang untuk bekerja untuk jaringan kabel mana topologi mapan di muka dan protokol yang didefinisikan di muka. NS2 tidak mengatasi beberapa masalah yang paling penting dari Jaringan Ad Hoc. Isu-isu seperti mobilitas node, keterbatasan dalam komunikasi, aspek hemat daya dan banyak lainnya. Karena isu-isu ini sangat penting dalam evaluasi protokol untuk Jaringan Ad Hoc, NS2 tidak sepenuhnya cocok sebagai alat evaluasi. Meskipun demikian, kita menggunakan NS2 sebagai ukuran perbandingan terhadap simulator HyperNet, dengan mempertimbangkan keterbatasan.
B. Simulator HyperNet HyperNet Simulator telah dirancang khusus untuk evaluasi protokol Jaringan Ad Hoc. Berdasarkan studi simulator yang tersedia di ranah publik, kami merancang fitur dari simulator yang akan paling tepat mencerminkan inner dari Jaringan Ad Hoc. Kemampuan berikut dimasukkan ke dalam simulator: •
Evaluasi Real Time Node Mobilitas
•
Komunikasi kemampuan node
•
Pemantauan Ketidakaktifan dari node dan koneksi terputus-putus
•
Isu Power Saving selama periode tidak aktif
•
Rute optimasi didasarkan pada heuristik dan Neuro Fuzzy Algoritma-
•
Dan masalah lainnya khusus untuk Jaringan Ad Hoc Untuk masalah evaluasi protokol, Back Propagation Jaringan Syaraf Tiruan dengan
Fuzzy Logic & Algoritma genetik telah digunakan. Simulator yang sangat cocok dalam melakukan evaluasi protokol telah dirancang. Parameter berikut digunakan untuk tujuan evaluasi:
•
Jumlah maksimum node terbatas pada 200
•
Timeout untuk on-demand koneksi diprogram untuk 1200 milidetik
•
Mobilitas node dibatasi hingga radius 750 meter dari posisi awal
•
Power pemantauan status dimanapun node mampu memancarkan informasi ini
•
Pemantauan Real Time
•
Informasi kegiatan Rute
•
Inferensi Mesin berdasarkan back propagation ANN dengan Fuzzy Logic dan Algoritma Genetik
•
Tingginya jumlah paralelisme dalam kegiatan jaringan Hasilnya dapat diringkas dalam hal waktu koneksi untuk maksimal 200 node seperti
yang ditunjukkan pada Tabel I. Beberapa pengamatan pada hasil dapat dibuat: •
Kinerja routing adalah sekitar logaritma di alam
•
Waktu Koneksi bertambah seiring bertambahnya jumlah node
•
Kinerja kasus terburuk yang dihadapi dalam Protokol Power-Aware dan Hybrid.
•
Kinerja terbaik adalah dapat ditemukan dalam kasus Neuro Fuzzy dan Neuro-Fuzzy-Genetik
Tabel I. Tautan pembentukan waktu untuk maksimal 200 node menggunakan berbagai protokol Menggunakan simulator HyperNet.
Tabel II. Link pembentukan waktu untuk maksimal 200 node menggunakan berbagai protokol Menggunakan NS2 simulator.
Resume: Pada pembentukan protocol baru ini, dibutuhkan bahan-bahan utama dari soft computing, yaitu: Artificial Neural Networks dengan tingkat aktivasi
,
Fuzzy Logic, Algoritma Genetik untuk optimasi, Algoritma, dan pada akhirnya terbentuk Neuro-Fuzzy-Genetic Based Network. Protokol ini nantinya diciptakan untuk membangun link antara node dalam waktu yang minimal. Digunakan pula HyperNet Simulator yang telah dirancang khusus untuk evaluasi protokol Jaringan Ad Hoc. Berdasarkan studi simulator yang tersedia di domain publik, merancang fitur dari simulator yang paling tepat mencerminkan inner atau karakteristik dari Jaringan Ad Hoc. Kemampuan yang dimasukkan ke dalam simulator: Real time Mobility evaluation Communication capabilities dari sebuah node, Pemantauan Ketidakaktifan dari node dan koneksi terputus-putus, masalah Power Saving selama periode tidak aktif, Route optimasi didasarkan pada heuristik dan Neuro-fuzzy Algoritma. Untuk evauasi, back propagation artificial neural networks dengan fuzzy logic & genetic algorithm sudah digunakan. Semua bahan soft computing membuat simulator yang sangat cocok dalam melakukan evaluasi realistis protocol realistis yang ada dan baru dirancang. Beberapa pengamatan dari evaluasi yang didapat berupa Kinerja routing. Kinerja yang diberikan adalah sekitar logaritma, dan waktu Connection bertambah seiring
bertambahnya jumlah node. Kemudian untuk kinerja terbaik dapat ditemukan dalam kasus Neuro Fuzzy dan Neuro-Fuzzy-Genetika. Tampaknya masuk akal untuk mengasumsikan bahwa bahan-bahan penting dari Artificial Neural Network dengan Logika Fuzzy dan Algoritma Genetik. Karena hal tersebut memperlihatkan peningkatkan kinerja yang sangat signifikan dalam hal protocol melalui perbandingan tabel dan grafik yang telah disajikan. Studi yang cermat terhadap grafik yang dihasilkan menunjukkan kinerja yang unggul dari protokol yang dibuat dalam hal membangun rute selama periode waktu yang lebih singkat dan hasilnya terlihat sangat baik.
