Machine Translated by Google

Cómo citar:
Parameswari, S., Parameswari, S., Kavitha, K. y Elango, P. (2022). Un nuevo protocolo de enrutamiento basado en clústeres
consciente de la energía para la difusión de mensajes de emergencia en redes ad hoc vehiculares. Revista Internacional de
Ciencias de la Salud, 6(S5), 4205–4224. https://doi.org/10.53730/ijhs.v6nS5.9543

Un nuevo protocolo de enrutamiento basado en

clústeres consciente de la energía para la difusión de
mensajes de emergencia en redes ad hoc vehiculares

S. Parameswari
Departamento de Informática e Ingeniería, Universidad de Annamalai, Annamalai Nagar-608
002 y Departamento de Tecnología de la Información, Instituto de Ingeniería y Tecnología
Perunthalivar Kamarajar (PKIET), Karaikal-609603

Correo electrónico: eswari105@gmail.com

Dra. K. Kavitha
Departamento de Informática e Ingeniería, Universidad de Annamalai, Annamalai Nagar-608
002

Dr. P. Elango
Departamento de Tecnología de la Información, Instituto Perunthalivar Kamarajar de Ingeniería
y Tecnología (PKIET), Karaikal-609603

Resumen---En Vehicular Adhoc Network (VANET), las variaciones de topología típicas

producidas por la naturaleza altamente móvil del vehículo plantea problemas importantes
en la transmisión de datos. Las técnicas de difusión de datos basadas en la movilidad
y la ubicación podrían satisfacer los requisitos de difusión de mensajes de emergencia
(EM). Se enfrenta a varios problemas en carreteras y vías urbanas, como latencia
mínima, alta seguridad y escalabilidad, que debe resolverse. En general, los protocolos
de transmisión para VANET utilizan señales de baliza, que se distribuyen entre los
vehículos para obtener información sobre los vehículos vecinos. Con esta motivación,
este documento presenta un protocolo de enrutamiento basado en un clúster consciente
de la energía para la técnica de difusión de mensajes críticos (EAC-RPCMD) para
VANET. El objetivo de la técnica EAC-RPCMD tiene como objetivo difundir los EM en el
entorno VANET basado en clúster. La técnica EAC-RPCMD diseña principalmente una
técnica de agrupamiento basado en un optimizador de equilibrio (EOC) para la
organización de vehículos en grupos. Además, la técnica de selección de rutas (RS)
basada en el algoritmo de optimización de alimentación de mantarrayas (MRFO),
denominada técnica MRFO-RS para la elección óptima de rutas hacia el destino.
Además, el esquema de difusión EM también se emplea en VANET. Se lleva a cabo la
validación del rendimiento de la técnica EAC-RPCMD y los resultados se inspeccionan
bajo varias

Revista Internacional de Ciencias de la Salud ISSN 2550-6978 E-ISSN 2550-696X © 2022.

Manuscrito enviado: 27 de febrero de 2022, Manuscrito revisado: 9 de abril de 2022, Aceptado para publicación: 18 de junio de 2022
4205
Machine Translated by Google

4206

aspectos. Los resultados de la simulación informaron de la mejora de la técnica EAC

RPCMD en comparación con los enfoques más recientes.

Palabras clave--- Redes vehiculares Adhoc, Diseminación de emergencia,

Optimizador de equilibrio, Algoritmo MRFO, Selección de ruta.

1. Introducción

Vehicular Adhoc Network (VANET) ha mejorado considerablemente el sistema de transporte y ha

ayudado a disminuir muchas situaciones redundantes que causan accidentes irreversibles en la
carretera. VANET hace posible que los vehículos interactúen entre sí en áreas de estacionamiento o
en carreteras [1]. Cada comunicación que tiene lugar entre vehículos se denomina transmisión de
vehículo a vehículo (V2V), mientras que el intercambio de datos entre unidades de carretera (RSU)
y vehículos se denomina transmisión de vehículo a infraestructura (V2I). El canal de control (CC) y
el canal de servicio (SCH) se utilizan para transmitir alertas de seguridad sobre choques, accidentes,
eventos peligrosos y mensajes de datos normales, excepto mensajes de seguridad. La VANET se
combina con varios problemas, la transmisión de datos es vital [2].

Generalmente, los mensajes normales no son críticos en cuanto al tiempo, por otro lado, los
mensajes de emergencia o de seguridad son críticos en el tiempo y necesitan una comunicación
efectiva lo más rápido posible [3]. Existen varios métodos para la distribución de mensajes de
emergencia (EM), pero casi todos están desarrollados para funcionar en determinadas situaciones.
Aún así, hay espacio para mejoras considerables ya que la técnica aún no ha alcanzado su madurez
y todavía está en la etapa de desarrollo. La figura 1 ilustra la arquitectura de VANET [4].

Fig. 1. La estructura básica de VANET

Machine Translated by Google

4207

Un problema principal del mecanismo discutido anteriormente es la credibilidad de los mensajes de

transmisión [5]. Cualquier vehículo podría transmitir falsamente una incidencia que no se ha producido.
Especialmente, los coches autónomos son objeto de este ataque [6]. Para evitar este problema, se
emplea la difusión de datos basada en agrupamiento.
El vehículo forma un grupo basado en la función calculada para el vehículo que pretende combinar.
Un jefe de clúster (CH) se designa con privilegio administrativo de ese clúster específico [7]. Otro
beneficio importante del modelo es que se ocupa de los problemas de tormentas de transmisión [8],
en los que todos los vehículos que reciben los mismos mensajes los retransmiten y luego provocan
la congestión de la red principal. El uso de este algoritmo de agrupamiento es extender la vida útil de
la red de vehículos que circulan por la misma carretera. La red vehicular fundamental puede ser de
naturaleza puramente Adhoc con el vehículo interactuando con RSU en V2I o el vehículo interactuando
con otros vehículos en V2V o híbrido usando estos dos tipos de transmisión [9].

Recientemente, la distribución de EM en VANET ha recibido un interés significativo. Los conductores

podrían evitar accidentes al transmitir EM en el momento adecuado. Por lo tanto, la velocidad de
transmisión, especialmente para los EM de tiempo crítico, es un factor importante [10]. Es
extremadamente difícil desarrollar este sistema para redes vehiculares dinámicas. Por lo tanto, se
necesitan soluciones informáticas y de radiodifusión EM oportunas para la radiodifusión EM en
VANET [11].

Lenin y Tamilarasan [12] propusieron un sistema de implementación basado en Spotted Hyena y

Simulated Annealing Optimization Algorithm (SHSAOA) para una aproximación precisa del nodo
NLOS. Incluye la ventaja de SA combinado con SHOA para establecer un buen equilibrio entre el
procedimiento de explotación y exploración en el espacio de búsqueda. Este método genera una
solución candidata al derivar las ventajas de las características basadas en la trayectoria de SA
durante toda la fase de desarrollo para mejorar el método de optimización local.

Paranjothi et al. [13] presentó una computación de niebla basada en un método híbrido llamado
Hybrid-Vehfog para transmitir mensajes en la región de sombra de obstáculos y un método multisalto
para transmitir mensajes en la región de sombra sin obstáculos. La técnica presentada se adapta
dinámicamente a los cambios del entorno y se requiere una fuerte capacidad de posicionamiento de
drones. Sha et al. [14] desarrolló un método de transmisión de datos con mecanismos de barrera de
tiempo para disminuir la sobrecarga de mensajes que podría saturar las redes. El método presentado
depende de los conceptos de un supernodo para distribuir con precisión el mensaje. Además, para
evitar transmisiones no deseadas que podrían crear problemas de tormentas de transmisión, se
adopta el método de barrera de tiempo para manejar estos problemas.

Prathiba et al. [15] propuso un método de agrupamiento continuo habilitado para SDN llamado
Migrating Consignment Region (MiCR) basado en Federated K-means method para difundir SCM al
AV a través de la transmisión 5G-V2X. A diferencia de otras metodologías que generan clústeres
para todas las instancias, MiCR continúa manteniendo un clúster en movimiento para transmitir SCM
a AV con baja latencia y confiabilidad ultra alta. Benrhaiem et al. [16] introdujeron un sistema,
denominado sistema fiable de difusión de mensajes de emergencia (REMD), que alcanza una
fiabilidad predeterminada para la difusión de mensajes cuando se cumple el requisito de retardo, para
diferentes condiciones de canal. El objetivo principal es garantizar una mayor confiabilidad en todos
los saltos, con una sobrecarga de control más baja al mantener una latencia de extremo a extremo
más baja para aplicaciones de tiempo crítico.
Machine Translated by Google

4208

Benkerdagh et al. [17] presentó un sistema que comprende la gestión de datos de antemano método
de difusión como la fase inicial de esta técnica. En este proceso, se mejora el mensaje original para
reducir la cantidad de paquetes intercambiados. A continuación, la propuesta contiene la creación de
clústeres estables y rápidos para mejorar el tiempo de difusión del mensaje y obtener una utilización
eficaz del ancho de banda. Este método depende de una función de aptitud que consideró varios
parámetros, a saber, la validez de la vida útil del enlace, el tiempo de transmisión, la velocidad relativa
y el grado de conectividad.

Este documento presenta un protocolo de enrutamiento basado en clústeres consciente de la energía

para la técnica de difusión de mensajes críticos (EAC-RPCMD) para VANET. La técnica EAC-RPCMD
diseña principalmente una técnica de agrupamiento basado en un optimizador de equilibrio (EOC)
para la organización de vehículos en grupos. Además, la técnica de selección de rutas (RS) basada
en el enfoque MRFO, denominada técnica MRFO-RS para la elección óptima de rutas hacia el
destino. Además, el esquema de difusión EM también se emplea en VANET. Se lleva a cabo la
validación del rendimiento de la técnica EAC RPCMD y los resultados se inspeccionan bajo varios
aspectos.

2. El Modelo Propuesto

Este documento ha establecido una nueva técnica EAC-RPCMD para difundir los EM en el entorno
VANET basado en clúster. La técnica EAC-RPCMD selecciona inicialmente los CH y organiza los
clústeres utilizando la técnica EOC.
Seguidamente, la elección óptima de las rutas se lleva a cabo mediante la técnica MRFO-RS. La Fig.
2 demuestra el proceso de trabajo general de la técnica EAC RPCMD propuesta.
Machine Translated by Google

4209

Fig. 2. Proceso general de la técnica EAC-RPCMD

2.1. Proceso implicado en la técnica EOC

En la etapa inicial, los vehículos se colocan en el entorno de destino y se inicia la fase de recopilación
de información. Luego, se ejecuta el EOC para elegir el conjunto competente de CH. El método EO
es presentado inicialmente por Faramarzi et al.
[18]. El OE es estimulado por el método de balance de masa de volumen de control que se utiliza
para la evaluación de los estados de equilibrio y dinámicos. En EO, cada individuo de la población
es análogo a las soluciones y la concentración única es
análogo a una ubicación de partículas en el método PSO.

= + (-). + (1 - ), (1)

Considerando que se determina como unidad, denota el candidato de equilibrio e indica el término
exponencial y la tasa de generación, correspondientemente. = ( 1, 2, … , )
representar un vector aleatorio dentro de [0,1] significa la cantidad de parámetros de la concentración
única. El estado de equilibrio muestra el último estado de convergencia de EO. El grupo de equilibrio
contiene cinco individuos.

, = { (1) , (2) , (3) , (4) , ( ) }. (2)

Pero, para problemas de optimización multiobjetivo, por lo general, hay un grupo de compensaciones
alternativas entre este objetivo. No pudieron arreglar la solución.
Machine Translated by Google

4210

según sus valores de aptitud. La solución en el repositorio externo se considera candidata de

equilibrio. Se puede expresar en la siguiente ecuación:

, ={ }, (3)

En la ecuación. (3) Rep significa el repositorio externo, y Rep se emplea para guardar
registros anteriores de soluciones no dominadas encontradas junto con todo el método de
búsqueda. Todos los individuos en cada iteración mejoran su concentración (ubicación)
con selecciones de la rueda de la ruleta entre los candidatos de equilibrio [19].
El proceso de selección antes mencionado es capaz de mantener la variedad de las
soluciones alcanzadas en el método de búsqueda. Las reglas de mejora de la concentración
están controladas por el término exponencial,

= ÿ ( ÿ 0)
, (4)
( 2( / ))

, (5)
= (1 ÿ )

Mientras indica la función de la iteración, se reduce con el recuento de iteraciones y

representa la iteración actual y la iteración máxima, correspondientemente. denota valores
2 constantes que controlan la capacidad de explotación de . Para lograr una mayor

convergencia al reducir la velocidad de búsqueda, 0 está determinado por:

1
0 = en (ÿ 1 ( 0 ÿ 0.5)[1 ÿ ÿ ]) + , (6)

Aquí 1 representa un valor constante que impacta la capacidad de exploración, signo ÿ 0.5)
se usa para controlar la dirección de explotación y exploración, 0
( 0 significa un valor arbitrario dentro de [0, 1]. En el estudio, el valor de fijo a 1 y 2 son
2 y 1, correspondientemente. La elección de ambos valores es confiable con el método EO
original. Por lo tanto, el término exponencial se expresa por:

= 1 ( 0 ÿ 0.5)( ÿ ÿ 1). (7)

Las tasas de generación juegan un papel importante en el modelo de equilibrio. Se aplica

para mejorar la capacidad de explotación de EO.

= 0
ÿ ( ÿ 0)
,
0 = (-), (8)
0.5 1, 2 ÿ ,
= { 0, 2 < ,

Donde 0 significa el primer valor. GCP denota la posibilidad de control de la tasa de

generación. GP denota la posibilidad de generación que se fija en 0,5 según el método EO
1 y
original. denota un valor arbitrario 2dentro
trabajo
deconsidera
[0,1]. muestra
= . Por
el vector
tanto, la
detasa
decaimiento.
de generación
Este
viene expresada por:

= 0_ (9)
Machine Translated by Google

4211

La técnica EOC propuesta pretende agrupar sensores en un cierto número de grupos. En el

momento del proceso delaselección
utilizando medida dede distancia
CH, los vehículos
euclidianacercanos se eligen
que reduce como de
la distancia CH
transmisión y la utilización de energía. Pero es difícil determinar la distancia de los vehículos
en movilidad. Para resolver este problema, se puede representar la distancia a los vehículos
cercanos. Para elegir los CH y construir clústeres, el modelo propuesto derivó una función de
aptitud con distintas variables como la energía residual (RSE), la distancia promedio a los
vehículos cercanos (ADNV) y el grado del vehículo (VD). El FF se puede representar usando
la Ec. (20):

()=× +×A+×V , (20)

donde + + = 1. Principalmente, el RSE de los vehículos en la transmisión de datos de bits

al vehículo ubicado a distancia se puede equiparar de la siguiente manera:

= ÿ ( ( , ) + ( )) (21)

donde denota la energía actual del vehículo y disipada por el indica la energía
vehículo en el momento de la transmisión de datos.

(,)=+ 2
(22)

donde describe la energía de los electrones e indica la energía dinámica amplificada, ( )

especifica la energía consumida al recibir los datos, como se indica a continuación.

= (23)
()

Además, el ADNV define el valor medio del DNV en la comunicación de un solo salto. Se
puede equiparar de la siguiente manera.

ÿ (, )
= =1
, (24)

dónde (, ) menciona la distancia entre dos vehículos cercanos. Además, VD indica

el número de vehículos que existen en la distancia de comunicación de un solo salto, como
se indica en la ecuación. (25):

= | ( )| (25)

donde ( ) = { / ( , ) < entre un par }ÿ , y ( , ) muestra la distancia infiere el rango

de vehículos y los vehículos. , de comunicación de

2.2. Diseño de la Técnica MRFO-RS

La técnica MRFO fue proyectada por [20]. Simula las actuaciones de mantarrayas.
El MRFO se expresó reproduciendo los enfoques de alimentación importantes, a saber, salto
mortal, encadenamiento y ciclón. Pero, el MRFO es igual que muchos
Machine Translated by Google

4212

técnicas meta-heurísticas, su paso inicializado se determinó arbitrariamente en la ecuación.

(26).

(: ) = + (: ) ÿ ( ÿ ij)ÿ ÿ , ÿ (26)

El rendimiento de la mantarraya se cambió a alimentos óptimos a partir de los enfoques de

encadenamiento utilizando la formulación matemática provista en la ecuación. (27) para
cambiar sus lugares ( , ).

()+ , ()- , ( )) ÿ ( (: ) ÿ ) ÿ = 1, ÿ ( )) ÿ
, (27)
( + 1) = { , , ( ( ) + ( ÿ1, ( ) - , ( (: ) ÿ ) ÿ > 1:
(28)
= 2 ÿ (: ) ÿ ÿ| registro( (: )))|

Por el contrario, el enjambre nada en espiral al igual que los ciclones y luego detecta el
alimento. Eventualmente, los últimos lugares de las mantarrayas se modificaron sobre el
lugar óptimo en esta técnica de operador utilizando la ecuación escrita como en la ecuación.
(29).
, ( + 1) = (29) ÿ

, ( ) + ÿ ( 2 , 3 , ( )) ÿ ÿ

, se determina como se muestra en la ecuación. (30) que determina un lugar óptimo

con máxima concentración de alimento [21]. Cuando se confirmó la concentración mínima,
se fijó un lugar arbitrario como se demuestra en la ecuación. (33).

,
+ , ÿ ( ÿ ) ÿ = 1, ÿ ( ) ÿ
,
( + 1) = { , +ÿ( ÿ1, ( )) + ÿ , ,
ÿ > 1:
ÿ = ()ÿÿ () (30)
, , ,
máximo
+1
(2 1 ) (31)
= 2 ÿ exp( 1 máximo
)ÿ
+ , . ( ÿ ) ÿ = 1, ÿ ( ) ÿ
,
( + 1) = { , +.( ÿ1, ( )) + ÿ ÿ
, ,
ÿ > 1:
= ÿ

() (32)
, ,
(: ) = + (: ) ÿ ( ÿ ) (33)

Las técnicas meta-heurísticas comparten 2 actuaciones particulares, la exploración y la

explotación. De acuerdo con estas 2 actuaciones, las técnicas meta-heurísticas son
superiores a otro enfoque. En MRFO, una vez que / max es ciclo
menor
deque
explotación, , contrario
se implementó
de lo el
se implementan espacios de búsqueda. y define el sistema de control de MRFO que es , máximo,

cuidadosamente monitoreado para asegurar su óptima eficiencia.

En la técnica MRFO-RS, el proceso de selección de rutas para la diseminación de EM se

puede considerar como un problema duro NP, cuyo objetivo es determinar la ruta más corta
con la menor latencia y costo. La ruta óptima debe pasar por un conjunto fijo de puntos de
estancia donde cada punto debe detenerse una sola vez. La técnica MRFO-RS tiene como
objetivo la minimización del costo, la latencia y la distancia. Considere Let indica un punto
de estancia y S denota una colección de ( , = 1, 2, . . . , ), ,
Machine Translated by Google

4213

es el costo de cambiar de a la latencia de , , es la distancia de a , y , es el

viaje de a . El parámetro de decisión se puede definir usando la ecuación.
(34). Como la función objetivo destinada a minimizar el costo, la latencia y la distancia, se
define de la siguiente manera.

ÿ, (34)
= { 10 ÿ

ÿ, (35)
ÿ: ÿÿ , : ÿÿ , : ÿÿ ,

ÿ, (36)

ÿ, (37)

Pero las restricciones optimizadas son ÿ ÿ , = 1 para cada y j, la ruta estimada + ÿ ÿ 1) y ÿ

no se pueden seleccionar muchas veces (ÿ , , , ÿ 1.

2.3. Fase de difusión de mensajes de emergencia

El objetivo principal es minimizar la demora de tiempo y mejorar la cobertura completa para una transmisión EM
exitosa, además de que el mensaje que no es crítico en el tiempo se obtiene con una demora. Además, el
reenvío de EM a través de la transmisión podría crear congestión en la red y degradar toda la eficiencia de las
redes. El método presentado en el Algoritmo 2 se ocupa de la selección de CH y la formación de grupos, junto
con la gestión de vehículos UNreg. Al recibir un EM, los vehículos comprueban inicialmente su estado.

Cuando el vehículo es CH, el EM obtenido se difunde directamente a cada CM.

Después de recibir, un vehículo CM establece una barrera para transmitir los mensajes. Por lo tanto, solo los
vehículos distantes transmiten el EM. En una situación convencional, un CM difunde los mensajes recibidos a su
CH que difunde los mensajes a cada CM. Este salto podría agregar un retraso en la transmisión del EM. Con el
fin de disminuir el retraso, en el método presentado, cualquier vehículo podría aumentar su privilegio de transmitir
el propio EM después de que termine su barrera de tiempo. Además, los vehículos de entrada se comportan de
la misma manera después de recibir EM mientras transmiten el EM a través de grupos. Además, no tiene
reconocimiento explícito utilizado en el método presentado. Esto implica que vehículos distantes han recibido los
mismos mensajes y no es necesario transmitir el mensaje.

3. Validación del rendimiento

La validación experimental de la técnica EAC-RPCMD se lleva a cabo con un número y una velocidad de
vehículos variables [22, 23]. La Tabla 1 proporciona un estudio comparativo detallado de la técnica EAC-RPCMD
con métodos recientes bajo el número distinto de vehículos. El análisis PDR de la técnica EAC-RPCMD y los
métodos existentes bajo varios vehículos se realizan en la Fig. 3. A partir de la figura, se observa que la técnica
GPSR ha logrado un rendimiento deficiente con los valores PDR más bajos. Al mismo tiempo, la técnica QADD
ha ganado un valor de PDR ligeramente mejorado mientras que la técnica DPSO-VANET ha logrado incluso
Machine Translated by Google

4214

mejores resultados. Sin embargo, la técnica EAC-RPCMD ha alcanzado el máximo rendimiento

sobre los otros métodos con un PDR de 93,53 %, 94,88 %, 92,55 %, 87,62 % y 79,69 % en los
vehículos 100-500 respectivamente.

Tabla 1 Análisis de resultados de la técnica EAC-RPCMD con diferente conteo de vehículos

Nº de vehículos EAC-RPCMD DPSO-VANET QADD GPSR

RDP (%)
100 93.53 76.19 60.03 42.23
200 94.88 83.59 73.45 64.42
300 92.55 80.85 55.65 55.38
400 87.62 71.26 43.32 58.39
500 79.69 63.87 40.04 58.94
Rendimiento promedio (kbps)
100 222.61 200.56 143.28 87.44
200 211.27 164.05 123.96 106.06
300 191.70 112.50 103.19 107.49
400 185.38 137.56 99.61 93.89
500 179.03 121.09 99.61 95.32
Gastos generales de enrutamiento (%)

100 12.59 23.62 35.31 37.76

200 16.86 34.77 33.41 37.22
300 15.74 31.78 37.49 49.19
400 18.51 36.40 48.10 50.00
500 22.43 39.67 53.27 53.81
Retraso de extremo a extremo (ms)
100 72.02 105.73 109.14 127.88
200 121.71 161.95 182.39 190.91
300 185.65 228.39 245.43 270.98
400 252.50 303.35 347.64 374.90
500 376.96 439.63 456.67 519.70

El análisis ATT del método EAC-RPCMD y los enfoques actuales bajo muchos vehículos se ejecutan
en la Fig. 4. De la figura, se observa que el sistema GPSR ha logrado un desempeño deficiente con
los valores ATT menores.
Simultáneamente, el procedimiento QADD ha recibido un valor ATT ligeramente mejorado, mientras
que la técnica DPSO-VANET ha logrado resultados aún mejores.
Sin embargo, la técnica EAC-RPCMD ha alcanzado el rendimiento máximo sobre los otros sistemas
con ATT de 222,61 kbps, 211,27 kbps, 191,70 kbps, 185,38 kbps y 179,03 kbps en los vehículos
100-500 correspondientemente.
Machine Translated by Google

4215

Fig. 3. Análisis PDR de la técnica EAC-RPCMD con conteo de vehículos

A continuación, en la Fig. 5 se lleva a cabo un análisis claro de sobrecarga de enrutamiento (ROH)

del enfoque EAC-RPCMD con otras tecnologías. El resultado describió que las técnicas QADD y
GPSR han alcanzado resultados ineficaces con los valores mínimos de ROH. Seguido por, la técnica
DPSO-VANET ha logrado resultados casi óptimos con el ROH razonable. Pero la técnica EAC-RPCMD
ha demostrado su resultado superior con la menor ROH de 12,59 %, 16,86 %, 15,74 %, 18,51 % y
22,43 % respectivamente.

Posteriormente, en la figura 6 se lleva a cabo un análisis de retardo de extremo a extremo (ETED) del
procedimiento EAC-RPCMD con otros métodos. Los resultados describen que los enfoques QADD y
GPSR han obtenido resultados ineficaces con los valores leves de ETED. Luego, el proceso DPSO-
VANET ha logrado resultados casi óptimos con el ETED razonable. Sin embargo, el sistema EAC-
RPCMD ha demostrado su resultado más alto con el ETED mínimo de 72,02 ms, 121,71 ms, 185,65
ms, 252,50 ms y 376,96 ms respectivamente.
Machine Translated by Google

4216

Fig. 4. Análisis ATT de la técnica EAC-RPCMD con conteo de vehículos

Fig. 5. Análisis ROH de la técnica EAC-RPCMD con conteo de vehículos

Machine Translated by Google

4217

Fig. 6. Análisis ETED de la técnica EAC-RPCMD con conteo de vehículos

La Tabla 2 proporciona un estudio detallado del método EAC-RPCMD con metodologías recientes bajo
distintas velocidades de vehículos. El análisis PDR del método EAC RPCMD y los enfoques actuales
bajo diferentes velocidades de vehículos se lleva a cabo en la Fig. 7. De la figura, se observa que el
sistema GPSR ha logrado un rendimiento deficiente con los valores PDR subordinados.
Simultáneamente, el método QADD ha obtenido un valor de PDR ligeramente mejorado mientras que
el procedimiento DPSO-VANET ha alcanzado resultados aún mejores. Sin embargo, el sistema EAC-
RPCMD ha alcanzado el máximo rendimiento sobre las otras metodologías con el PDR de 98,84 %,
98,36 %, 96,42 %, 91,12 % y 84,34 % a una velocidad de los vehículos de 20 a 100 respectivamente.

Tabla 2 Análisis de resultados de la técnica EAC-RPCMD con diferentes velocidades de vehículos

Velocidad de los vehículos EAC-RPCMD DPSO-VANET QADD GPSR

RDP (%)
20 98.84 96.92 81.51 71.99
40 98.36 84.31 73.11 64.43
60 96.42 84.03 66.95 61.91
80 91.12 82.35 64.43 52.11
100 84.34 80.67 63.59 50.15
Rendimiento promedio (kbps)
20 236.31 183.64 133.07 130.93
40 222.57 165.12 125.24 106.00
Machine Translated by Google

4218

60 207.32 96.74 128,80 73,24

80 194.78 104.58 97.46 64.69
100 191.63 86.06 74.66 54.72
Gastos generales de enrutamiento (%)

20 9.01 26.92 33.29 41.99

40 13.25 33.29 35.03 36.77
60 11.11 34.16 37.35 41.12
80 14.67 32.13 38.22 56.49
100 19.01 36.48 39.67 59.10
Retraso de extremo a extremo (ms)
20 52,32 114.23 126.07 139.88
40 107.31 171.46 185,28 210,93
60 168.65 232.64 291.85 317.51
80 232.00 323.43 394.48 430.00
100 351.06 463.55 518.81 597.76

Fig. 7. Análisis PDR de la técnica EAC-RPCMD con velocidad de vehículos variable

El análisis ATT del modelo EAC-RPCMD y las metodologías actuales bajo múltiples velocidades de
vehículos se ejecuta en la Fig. 8. A partir de la figura, se afirma que la técnica GPSR ha logrado un
rendimiento deficiente con los valores mínimos de ATT.
Simultáneamente, el algoritmo QADD obtuvo un valor ATT ligeramente más alto, mientras que el sistema
DPSO-VANET logró resultados mejorados. Pero, el EAC-RPCMD
Machine Translated by Google

4219

El sistema ha ganado el rendimiento más alto sobre los otros métodos con el ATT de 236.31kbps,
222.57kbps, 207.32kbps, 194.78kbps y 191.63kbps bajo velocidades de vehículos 20-100
correspondientemente.

Fig. 8. Análisis ATT de la técnica EAC-RPCMD con velocidad de vehículos variable

A continuación, se realiza un análisis de ROH del método EAC-RPCMD con otros modelos en la Fig.
9. El resultado describió que los procedimientos QADD y GPSR han obtenido resultados ineficaces
con los valores leves de ROH. Posteriormente, el procedimiento DPSO VANET ha logrado resultados
casi óptimos con el ROH razonable.
Sin embargo, el enfoque EAC-RPCMD ha demostrado sus mejores resultados con un ROH mínimo
de 9,01 %, 13,25 %, 11,11 %, 14,67 % y 19,01 % correspondientemente.
A continuación, un análisis ETED del enfoque EAC-RPCMD con otras metodologías se lleva a cabo
en la Fig. 10. Los resultados describen que los métodos QADD y GPSR han obtenido resultados
ineficaces con los valores menores de ETED.
Después de eso, la metodología DPSO-VANET ha logrado resultados casi óptimos con el ETED
razonable. Pero el método EAC-RPCMD ha establecido su mayor resultado con el ETED mínimo de
52,32 ms, 107,31 ms, 168,65 ms, 232,00 ms y 351,06 ms respectivamente.
Machine Translated by Google

4220

Fig. 9. Análisis ROH de la técnica EAC-RPCMD con velocidad de vehículos variable

Fig. 10. Análisis ETED de la técnica EAC-RPCMD con velocidad de vehículos variable

Finalmente, en la Tabla 3 se ofrece un análisis CHD y CMD de la técnica EAC-RPCMD con otros
métodos. En la Fig. 11 se ofrece un breve análisis CHD de la técnica EAC-RPCMD con metodologías
comparadas. Para un resultado efectivo, el valor de el CHD debe ser máximo. Los resultados
demostraron
Machine Translated by Google

4221

que el GPSR solo puede lograr un CHD más bajo que las otras técnicas. Además, las técnicas QADD y
DPSO-VANET han alcanzado una CC moderada sobre la técnica EAC-RPCMD. Sin embargo, la técnica EAC-
RPCMD ha asegurado un rendimiento óptimo con un CHD máximo de 73,52 s a una velocidad del vehículo
de 20.

Tabla 3 Análisis comparativo de la técnica EAC-RPCMD con respecto a CC y

CMD

Velocidad de los vehículos EAC-RPCMD DPSO-VANET QADD GPSR

Duración de cabeza de clúster (s)
20 73,52 40 71,44 66,44 63,30 55.99
63,93 58,49 53.90
60 69,67 80 65,22 100 63,80 62,47 58,08 52.23
Miembro del clúster Duración (s) 57,24 52,85 47.63
55,15 48,88 39.69

20 93,88 40 91,69 60 87,88 80 80,82 68,39 56.77

83,74 76,50 68,39 57.31
72,45 66,77 55.96
68,12 62,45 52.18
100 84.17 64.34 56.50 47.58

Fig. 11. Análisis CHD de la técnica EAC-RPCMD con enfoques existentes

Machine Translated by Google

4222

En la figura 12 se presenta un breve análisis de CMD de la metodología EAC-RPCMD con

metodologías comparadas. Para obtener resultados eficientes, el valor de CMD debe ser máximo.
Los resultados demostraron que el GPSR tiene la capacidad de lograr solo un CMD menor que los
otros sistemas. Además, las metodologías QADD y DPSO-VANET han ganado a CMD moderado
sobre el método EAC-RPCMD. Sin embargo, el enfoque EAC-RPCMD ha garantizado un rendimiento
óptimo con el CMD máximo de 93,88 s a una velocidad del vehículo de 20.

Fig. 12. Análisis CMD de la técnica EAC-RPCMD con enfoques existentes

4. Conclusión

Este documento ha establecido una nueva metodología EAC-RPCMD para difundir los EM en el
entorno VANET basado en clúster. La técnica EAC-RPCMD selecciona inicialmente los CH y
organiza los clústeres utilizando la técnica EOC.
Seguidamente, la elección óptima de las rutas se lleva a cabo mediante la técnica MRFO-RS.
Finalmente, el esquema de difusión EM también se emplea en VANET.
Se lleva a cabo la validación del rendimiento de la técnica EAC-RPCMD y los resultados se
inspeccionan bajo varios aspectos. Los resultados de la simulación informaron de la mejora de la
técnica EAC-RPCMD en comparación con los enfoques más recientes. Por lo tanto, la técnica EAC-
RPCMD se puede utilizar como un enfoque eficiente para la difusión de EM en el entorno VANET.
Machine Translated by Google

4223

Referencias

[1] MS Anwer y C. Guy, "Un estudio de las tecnologías VANET", J. Emerg.

Cómputo de tendencias. información ciencia, vol. 5, núm. 9, págs. 661–671, 2014.
[2] Selvi, M. y Ramakrishnan, B., 2020. Algoritmo de optimización Lion (LOA)-
Sistema confiable de transmisión de mensajes de emergencia basado en VANET. Informática
blanda, 24(14), págs. 10415-10432.
[3] X. Bai, Y. Hong, Y. Du y Z. Gao, ''Esquema de difusión de datos eficiente para las redes ad hoc de
vehículos urbanos'', Inf. Tecnología J., vol. 12, núm. 9, pág.
1696, mayo de 2013.
[4] Kumar, G., Saha, R., Rai, MK y Kim, TH, 2018. Disposición de seguridad multidimensional para
comunicaciones seguras en redes vehiculares ad hoc mediante estructura jerárquica y
autenticación de extremo a extremo. Acceso IEEE, 6, páginas 46558-46567.

[5] Ghazi, MU, Khattak, MAK, Shabir, B., Malik, AW y Ramzan, MS, 2020. Diseminación de mensajes
de emergencia en redes vehiculares: una revisión. IEEE Access, 8, págs. 38606-38621.

[6] Harrabi, S., Jaafar, IB y Ghedira, K., 2017. Difusión de mensajes en redes vehiculares sobre la base
de tecnología de agentes. Comunicaciones personales inalámbricas, 96(4), pp.6129-6146.

[7] Ullah, S., Abbas, G., Abbas, ZH, Waqas, M. y Ahmed, M., 2020. RBO EM: esquema de sobrecarga
de transmisión reducida para la difusión de mensajes de emergencia en VANET. Acceso IEEE,
8, págs. 175205-175219.
[8] MM Bhuiyan, SM Salim y MR Hasan, "Esquema de transmisión consciente de la densidad para
VANET", en Proc. 17ª Conferencia de Asia Pacífico. Commun., octubre de 2011, págs. 467–471.

[9] Rahim, A., Ahmad, I., Khan, ZS, Sher, M., Shoaib, M., Javed, A., et al.
(2009). Un estudio comparativo de redes adhoc móviles y vehiculares.
Revista internacional de ingeniería de tendencias recientes, 2 (4), 195–197.
[10] F. Cunha, L. Villas, A. Boukerche, G. Maia, A. Viana, RAF Mini y A.
AF Loureiro, ''Comunicación de datos en VANET: protocolos, aplicaciones y desafíos'', Ad Hoc
Netw., vol. 44, págs. 90 a 103, julio de 2016.
[11] A.-M. Ahmad, H. Idriss, AE Mouallem y ZE Bazzal, "Diseminación de datos basada en cadenas en
redes ad-hoc vehiculares (VANET)", en Proc. 6to Int. Conf. Dígito. Inf., Red., Inalámbrico Comun.
(DINWC), abril de 2018, págs. 75–
80.
[12] Lenin, SB y Tamilarasan, NS, 2021. Optimización de hiena manchada y esquema de localización
de nodos NLOS basados en recocido simulado para mejorar la distribución de mensajes de
advertencia en VANET.
[13] Paranjothi, A., Tanik, U., Wang, Y. y Khan, MS, 2019. HybridÿVehfog: un enfoque sólido para la
difusión confiable de mensajes críticos en vehículos conectados. Transacciones Emerging
Telecommunications Technologies, 30(6),
en p.e3595.

[14] Shah, SS, Malik, AW, Rahman, AU, Iqbal, S. y Khan, SU, 2019.
Difusión de mensajes de emergencia basados en barrera de tiempo en redes vehiculares ad-hoc.
Acceso IEEE, 7, págs. 16494-16503.
[15] Prathiba, SB, Raja, G., Bashir, AK, Alzubi, AA y Gupta, B., 2021.
Marco de diseminación de mensajes de seguridad asistida por SDN para infraestructura de
energía crítica vehicular. Transacciones IEEE sobre informática industrial.
Machine Translated by Google

4224

[16] Benrhaiem, W., Hafid, A. y Sahu, PK, 2019. Esquema confiable de difusión de mensajes de
emergencia para redes vehiculares urbanas. IEEE Transactions on Intelligent Transportation
Systems, 21(3), pp.1154-1166.
[17] Benkerdagh, S. y Duvallet, C., 2019. Estrategia de difusión de mensajes de emergencia basada
en clústeres para VANET mediante comunicación V2V. Revista Internacional de Sistemas de
Comunicación, 32(5), p.e3897.
[18] Ernawati, E., Baso, YS, Hidayanty, H., Syarif, S., Aminuddin, A. y Bahar, B. (2022). Los efectos
de la educación sobre la anemia utilizando she smart basado en la web para mejorar el
conocimiento, las actitudes y la práctica en las adolescentes. Revista Internacional de Salud
y Ciencias Médicas, 44-49. https://doi.org/10.21744/ijhms.v5n1.1831 5(1),

[19] A. Faramarzi, M. Heidarinejad, B. Stephens y S. Mirjalili, “Equilibrium Optimizer: un nuevo

algoritmo de optimización”, Knowledge-Based Systems, vol.
191, artículo ID 105190, 2020.
[20] Rinartha, K. y Suryasa, W. (2017). Estudio comparativo para un mejor resultado en la sugerencia
de consulta de búsqueda de artículos con coincidencia de patrones MySQL y similitud
Jaccard. En 2017 5ª Conferencia Internacional sobre Gestión de Servicios Cibernéticos y TI
(CITSM) (págs. 1-4). IEEE.
[21] Chen, H., Li, W. y Cui, W., 2020. Algoritmo de optimización de equilibrio multiobjetivo basado en
interrupciones. Inteligencia Computacional y Neurociencia, 2020.

[22] Zhao, W., Zhang, Z., Wang, L., 2020. Optimización de forrajeo de mantarrayas: un optimizador
bioinspirado efectivo para aplicaciones de ingeniería. Ing. aplicación Artefacto
Intel. 87, 103300.
[23] Hassan, MH, Houssein, EH, Mahdy, MA y Kamel, S., 2021. Un optimizador mejorado de forrajeo
de mantarrayas para problemas de despacho de emisiones rentables. Aplicaciones de
Ingeniería de la Inteligencia Artificial, 100, p.104155.
[24] Chahal, M. y Harit, S., 2019. Ruta óptima para la difusión de datos en redes vehiculares ad hoc
mediante metaheurística. Informática e ingeniería eléctrica, 76, pp.40-55.

[25] Ullah, S., Abbas, G., Waqas, M., Abbas, ZH, Tu, S. y Hameed, IA, 2021. EEMDS: Un esquema
efectivo de difusión de mensajes de emergencia para las VANET urbanas. Sensores, 21(5),
p.1588.