基于轻量级机器学习的QoS优化技术，用于FANETs中的多无人机紧急通信 作者：Jonathan Javier Loor-Duque, Santiago Castro-Arias, Juan Pablo Astudillo León, Clayanela J. Zambrano-Caicedo, Iván Galo Reyes-Chacón, Paulina Vizcaíno, Leticia Lemus Cárdenas, Manuel Eugenio Morocho-Cayamcela

《Drones》：Lightweight Machine Learning-Based QoS Optimization for Multi-UAV Emergency Communications in FANETs Jonathan Javier Loor-Duque, Santiago Castro-Arias, Juan Pablo Astudillo León, Clayanela J. Zambrano-Caicedo, Iván Galo Reyes-Chacón, Paulina Vizcaíno, Leticia Lemus Cárdenas and Manuel Eugenio Morocho-Cayamcela

　　

摘要

由多架无人机（UAV）组成的飞行自组织网络（FANETs）在地面基础设施不可用时，是应急无线通信的一种有前景的解决方案。然而，由于拓扑结构的变化、传播条件的差异以及网络拥塞，确保这些高度动态网络中的服务质量（QoS）仍然具有挑战性。本文提出了一种基于轻量级机器学习的QoS优化框架，用于多无人机应急通信，该框架结合了真实的移动性建模、经验性的信道测量和自适应流量优先级调整。无人机移动模式使用ArduSim生成，而视距（LoS）/非视距（NLoS）传播模型则基于真实的无人机飞行实验得出，并集成到ns-3仿真器中。训练了多种监督式机器学习算法，包括决策树（Decision Trees）、随机森林（Random Forest）、支持向量机（Support Vector Machines）、k-近邻（k-NN）、梯度提升（Gradient Boosting）和CatBoost，这些算法使用了从网络状态中提取的四个输入特征：




仿真结果表明，基于CatBoost的AI SMOTE EMERGENCY方案将数据包传输率（PDR）提高了约43%，在所有四个应用端口上的传输率达到了89–93%。与EDCA方案相比，该方案能够保持所有服务的可靠传输，将应急通信吞吐量提高了34–36%，并减少了端到端延迟约70%。此外，更高的传输可靠性意味着更低的通信能耗，在与无QoS基准相比时，所有评估的拓扑结构中都减少了能源浪费。推理时间保持在0.002秒以下，支持资源受限的无人机网络中的实时QoS适应。