基于移动自组网（MANET）的智能医疗通信机器学习辅助节能路由框架

《Scientific Reports》：Machine learning-assisted energy-efficient routing framework for MANET-based smart healthcare communication

　　移动自组织网络（MANETs）正被用作医疗保健领域去中心化通信基础设施的可行方案，因为它们可以自配置，并能独立于任何基础设施需求运行。然而，传统的MANET路由算法，如自组织按需距离向量协议（AODV）和动态源路由（DSR），在动态环境中面临着路由延迟过大、数据包传输丢失以及能量浪费等问题。在此背景下，本研究论文旨在提出一种基于机器学习的节能路由机制。所提出的工作将基于强化学习（RL）的动态路由方法与QoS感知参数相结合，这些参数包括剩余节点能量、链路质量、队列密度和传输时间。该模型在面向医疗保健的通信系统中进行了分析，用于新生儿保温箱的实时监测。性能比较结果显示，所开发的方法能够提供93%的数据包交付比（PDR），以78%和74%的数据包交付比分别超越了现有的AODV和DSR方法。该解决方案还将端到端延迟降低至140毫秒，将吞吐量提高至260 kbps，同时将能耗最小化至0.72焦耳。此外，基于机器学习的预测模块达到了R2得分为0.98、平均绝对误差（MAE）为1.2、均方根误差（RMSE）为1.8的性能。因此，所获得的结果表明，所提出的智能路由框架在提高通信可靠性和QoS性能以及降低能耗方面具有显著效果。