Improving ad hoc network performance in disaster scenarios with machine learning
Loading...
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Investigación de Tecnología Experimental Yachay
Abstract
En escenarios de desastre, la ausencia de infraestructura y el comportamiento dinámico de los nodos móviles convierten la comunicación fiable en un desafío crítico. Este trabajo propone un enfoque basado en inteligencia artificial para mejorar las comunicaciones en redes inalámbricas ad hoc bajo tales condiciones. Se construyó un conjunto de datos desde cero empleando el simulador ns-3 para el modelado de la capa de comunicación y BonnMotion para simular la movilidad humana en situaciones de emergencia. Se extrajeron dos características clave factor de utilización del canal y tamaño de la cola de paquetes que sirvieron para entrenar un modelo supervisado basado en CatBoost. Tras validar mediante exactitud, precisión y F1-score, el modelo se integró de nuevo en el entorno de simulación. Los resultados experimentales muestran que la estrategia impulsada por IA mejora de forma significativa el Packet Delivery Ratio (PDR), el throughput y el End-to-End Delay en comparación con un escenario base sin mecanismos de Calidad de Servicio (QoS). Estos hallazgos demuestran la viabilidad de incorporar decisiones inteligentes en las capas de comunicación para aplicaciones de respuesta ante desastres y ponen de relieve su robustez frente a patrones de movilidad diversos.
Description
In disaster scenarios, reliable communication becomes a critical challenge due to the absence of infrastructure and the dynamic behavior of mobile nodes. This work proposes an artificial intelligence-based approach to enhance communication in wireless ad hoc networks under such conditions. We constructed a dataset from scratch using the ns-3 simulator for communication modeling and BonnMotion for simulating human mobility in disaster situations. Two key features—channel utilization factor and queue packet size—were extracted and used to train a supervised learning model based on the CatBoost algorithm. After validation through accuracy, precision, and F1-score, the model was exported back into the simulation environment. Experimental results show that the AI-enhanced strategy significantly improves Packet Delivery Ratio (PDR), Throughput, and Endto- End Delay compared with a baseline scenario lacking Quality-of-Service (QoS) mechanisms. These findings demonstrate the feasibility of integrating intelligent decision-making into communication layers for disaster-response applications and underscore its robustness across diverse mobility patterns.