Optimización de QoS basada en aprendizaje automático ligero para comunicaciones de emergencia multi-UAV en FANETs
Autores: Loor-Duque, Jonathan Javier; Castro-Arias, Santiago; Astudillo León, Juan Pablo; Zambrano-Caicedo, Clayanela J.; Reyes-Chacón, Iván Galo; Vizcaíno, Paulina; Cárdenas, Leticia Lemus; Morocho-Cayamcela, Manuel Eugenio
Idioma: Inglés
Editor: MDPI
Año: 2026
Acceso abierto
Artículo científico
2026
Optimización de QoS basada en aprendizaje automático ligero para comunicaciones de emergencia multi-UAV en FANETs
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Redes ad hoc voladoras
Marco de optimización de qos
Algoritmos de aprendizaje automático
Comunicaciones de emergencia
Tasa de entrega de paquetes
Adaptación de qos en tiempo real
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Las Redes Aéreas Ad Hoc Voladoras (FANETs) compuestas por múltiples vehículos aéreos no tripulados (UAVs) son una solución prometedora para las comunicaciones inalámbricas de emergencia cuando la infraestructura terrestre no está disponible. Sin embargo, garantizar una Calidad de Servicio (QoS) confiable en estas redes altamente dinámicas sigue siendo un desafío debido a los cambios de topología, las condiciones de propagación variables y la congestión. Este trabajo propone un marco de optimización de QoS basado en aprendizaje automático y ligero para las comunicaciones de emergencia multi-UAV que combina modelado de movilidad realista, mediciones empíricas de canal y priorización adaptativa del tráfico. Los patrones de movilidad de los UAV se generan con ArduSim, mientras que los modelos de propagación LoS/NLoS se derivan de experimentos de vuelo reales de UAV e integran en ns-3. Múltiples algoritmos de aprendizaje automático supervisado, incluidos Árboles de Decisión, Bosques Aleatorios, Máquinas de Vectores de Soporte, k-NN, Aumento de Gradiente y CatBoost, se entrenan utilizando cuatro características de entrada derivadas del estado de la red: CBRsrc, QPsrc, CBRdst y QPdst. Los resultados de la simulación muestran que el esquema AI SMOTE EMERGENCY propuesto, basado en CatBoost, mejora la Tasa de Entrega de Paquetes (PDR) en aproximadamente un 43% sobre la línea base sin QoS, logrando un 89-93% de entrega en todos los cuatro puertos de aplicación. En comparación con EDCA, el esquema propuesto mantiene una entrega confiable para todos los servicios, aumenta el rendimiento de emergencia en un 34-36% y reduce el retraso de extremo a extremo en aproximadamente un 70%. Además, la mayor confiabilidad en la entrega se traduce en beneficios claros en la energía de comunicación, reduciendo el desperdicio de energía en todas las topologías evaluadas en comparación con la línea base sin QoS. El tiempo de inferencia se mantiene por debajo de 0.002 s, apoyando la adaptación de QoS en tiempo real en redes de UAV con recursos limitados.
Descripción
Las Redes Aéreas Ad Hoc Voladoras (FANETs) compuestas por múltiples vehículos aéreos no tripulados (UAVs) son una solución prometedora para las comunicaciones inalámbricas de emergencia cuando la infraestructura terrestre no está disponible. Sin embargo, garantizar una Calidad de Servicio (QoS) confiable en estas redes altamente dinámicas sigue siendo un desafío debido a los cambios de topología, las condiciones de propagación variables y la congestión. Este trabajo propone un marco de optimización de QoS basado en aprendizaje automático y ligero para las comunicaciones de emergencia multi-UAV que combina modelado de movilidad realista, mediciones empíricas de canal y priorización adaptativa del tráfico. Los patrones de movilidad de los UAV se generan con ArduSim, mientras que los modelos de propagación LoS/NLoS se derivan de experimentos de vuelo reales de UAV e integran en ns-3. Múltiples algoritmos de aprendizaje automático supervisado, incluidos Árboles de Decisión, Bosques Aleatorios, Máquinas de Vectores de Soporte, k-NN, Aumento de Gradiente y CatBoost, se entrenan utilizando cuatro características de entrada derivadas del estado de la red: CBRsrc, QPsrc, CBRdst y QPdst. Los resultados de la simulación muestran que el esquema AI SMOTE EMERGENCY propuesto, basado en CatBoost, mejora la Tasa de Entrega de Paquetes (PDR) en aproximadamente un 43% sobre la línea base sin QoS, logrando un 89-93% de entrega en todos los cuatro puertos de aplicación. En comparación con EDCA, el esquema propuesto mantiene una entrega confiable para todos los servicios, aumenta el rendimiento de emergencia en un 34-36% y reduce el retraso de extremo a extremo en aproximadamente un 70%. Además, la mayor confiabilidad en la entrega se traduce en beneficios claros en la energía de comunicación, reduciendo el desperdicio de energía en todas las topologías evaluadas en comparación con la línea base sin QoS. El tiempo de inferencia se mantiene por debajo de 0.002 s, apoyando la adaptación de QoS en tiempo real en redes de UAV con recursos limitados.