The Internet of Things (IoT) has revolutionized vehicular ad hoc networks (VANETs), giving rise to the Internet of Vehicles (IoV). VANETs are infrastructure-less wireless networks designed to enhance real-time traffic safety and support intelligent transportation systems (ITS). However, due to their inherently dynamic and unpredictable nature, VANETs encounter significant challenges, including frequent link failures, scalability issues, reliability concerns, network topology complexities, quality of service (QoS) demands, and security vulnerabilities. These challenges are inherently complex and fall under the category of NP-hard problems. Traditional networking protocols are ill-suited for VANETs due to their unique characteristics. To address these challenges and achieve an optimal number of clusters while ensuring stability in VANETs within dynamic environments, we propose a novel swarm-based metaheuristic algorithm known as the Rat Swarm Optimization (RSO) algorithm. The RSO algorithm leverages clustering techniques to optimize network performance and facilitate efficient communication in VANETs. By effectively utilizing resources and coordinating based on node transmission ranges (Tx ranges), RSO optimizes network load. It transforms unstructured networks into organized cluster structures, generating near-optimal clusters and cluster heads (CHs) to minimize network randomness and maintain stability with reduced communication overhead. By maintaining an optimal number of clusters, the RSO algorithm enhances cluster longevity and overall network performance. To evaluate the efficacy and efficiency of the RSO algorithm, extensive experiments were conducted using varying grid sizes, Tx ranges, and node densities. The results demonstrate that, when considering Tx ranges and node counts, the RSO algorithm achieves 50.96%, 33.15%, 88.73%, and 96.70% improvements in generating optimal cluster numbers compared to state-of-the-art algorithms such as the Ant Colony Optimization-based Clustering Algorithm (CACONET), Moth Flame Clustering Algorithm for IoV (MFCA-IoV), Whale Optimization Algorithm for Clustering in VANETs (WOACNET), and Grasshopper Optimization-based Node Clustering Technique for VANETs (GOA). Furthermore, when grid size is taken into account, RSO outperforms these cutting-edge algorithms by generating 32.31%, 15.23%, 47.04%, and 58.33% more optimal clusters, respectively. Thus, both quantitative results and statistical analyses underscore the superior effectiveness of the proposed RSO algorithm over existing state-of-the-art solutions in addressing the unpredictable and dynamic nature of VANETs.
Spanish (Español):
El Internet de las Cosas (IoT) ha revolucionado las redes vehiculares ad hoc (VANETs), dando lugar al Internet de los Vehículos (IoV). Las VANETs son redes inalámbricas sin infraestructura diseñadas para mejorar la seguridad del tráfico en tiempo real y apoyar los sistemas de transporte inteligente (ITS). Sin embargo, debido a su naturaleza inherentemente dinámica e impredecible, las VANETs enfrentan desafíos significativos, como fallos frecuentes de enlaces, problemas de escalabilidad, preocupaciones de confiabilidad, complejidades en la topología de la red, demandas de calidad de servicio (QoS) y vulnerabilidades de seguridad. Estos desafíos son intrínsecamente complejos y se clasifican como problemas NP-difíciles. Los protocolos de red tradicionales no son adecuados para las VANETs debido a sus características únicas. Para abordar estos desafíos y lograr un número óptimo de clústeres mientras se asegura la estabilidad en las VANETs dentro de entornos dinámicos, proponemos un novedoso algoritmo metaheurístico basado en enjambres conocido como el algoritmo de Optimización de Enjambre de Ratas (RSO). El algoritmo RSO aprovecha técnicas de agrupamiento para optimizar el rendimiento de la red y facilitar una comunicación eficiente en las VANETs. Al utilizar eficazmente los recursos y coordinar en función de los rangos de transmisión de los nodos (rangos Tx), RSO optimiza la carga de la red. Transforma redes no estructuradas en estructuras de clústeres organizadas, generando clústeres casi óptimos y cabezas de clúster (CHs) para minimizar la aleatoriedad de la red y mantener la estabilidad con un menor sobrecosto de comunicación. Al mantener un número óptimo de clústeres, el algoritmo RSO mejora la longevidad de los clústeres y el rendimiento general de la red. Para evaluar la eficacia y eficiencia del algoritmo RSO, se realizaron extensos experimentos utilizando diferentes tamaños de cuadrícula, rangos Tx y densidades de nodos. Los resultados demuestran que, al considerar los rangos Tx y el número de nodos, el algoritmo RSO logra mejoras del 50.96%, 33.15%, 88.73% y 96.70% en la generación de números óptimos de clústeres en comparación con algoritmos de vanguardia como el Algoritmo de Agrupamiento Basado en Optimización de Colonias de Hormigas (CACONET), el Algoritmo de Agrupamiento de Llama de Polilla para IoV (MFCA-IoV), el Algoritmo de Optimización de Ballenas para Agrupamiento en VANETs (WOACNET) y la Técnica de Agrupamiento de Nodos Basada en Optimización de Saltamontes para VANETs (GOA). Además, cuando se tiene en cuenta el tamaño de la cuadrícula, RSO supera a estos algoritmos de vanguardia al generar un 32.31%, 15.23%, 47.04% y 58.33% más clústeres óptimos, respectivamente. Por lo tanto, tanto los resultados cuantitativos como los análisis estadísticos resaltan la superior efectividad del algoritmo RSO propuesto sobre las soluciones existentes de vanguardia para abordar la naturaleza impredecible y dinámica de las VANETs.
Portuguese (Português):
A Internet das Coisas (IoT) revolucionou as redes veiculares ad hoc (VANETs), dando origem à Internet dos Veículos (IoV). As VANETs são redes sem fio sem infraestrutura projetadas para melhorar a segurança do tráfego em tempo real e apoiar sistemas de transporte inteligente (ITS). No entanto, devido à sua natureza inerentemente dinâmica e imprevisível, as VANETs enfrentam desafios significativos, como falhas frequentes de conexão, problemas de escalabilidade, preocupações com confiabilidade, complexidades na topologia da rede, demandas de qualidade de serviço (QoS) e vulnerabilidades de segurança. Esses desafios são intrinsecamente complexos e se enquadram na categoria de problemas NP-difíceis. Os protocolos de rede tradicionais não são adequados para as VANETs devido às suas características únicas. Para enfrentar esses desafios e alcançar um número ideal de clusters, garantindo a estabilidade das VANETs em ambientes dinâmicos, propomos um novo algoritmo metaheurístico baseado em enxame, conhecido como Algoritmo de Otimização de Enxame de Ratos (RSO). O algoritmo RSO utiliza técnicas de clustering para otimizar o desempenho da rede e facilitar a comunicação eficiente nas VANETs. Ao utilizar recursos de forma eficaz e coordenar com base nos intervalos de transmissão dos nós (intervalos Tx), o RSO otimiza a carga da rede. Ele transforma redes não estruturadas em estruturas de clusters organizadas, gerando clusters quase ideais e cabeças de cluster (CHs) para minimizar a aleatoriedade da rede e manter a estabilidade com menor sobrecarga de comunicação. Ao manter um número ideal de clusters, o algoritmo RSO aumenta a longevidade dos clusters e o desempenho geral da rede. Para avaliar a eficácia e eficiência do algoritmo RSO, foram realizados extensos experimentos utilizando diferentes tamanhos de grade, intervalos Tx e densidades de nós. Os resultados demonstram que, ao considerar os intervalos Tx e a contagem de nós, o algoritmo RSO alcança melhorias de 50.96%, 33.15%, 88.73% e 96.70% na geração de números ideais de clusters em comparação com algoritmos de ponta, como o Algoritmo de Clusterização Baseado em Otimização de Colônia de Formigas (CACONET), o Algoritmo de Clusterização de Chama de Mariposa para IoV (MFCA-IoV), o Algoritmo de Otimização de Baleias para Clusterização em VANETs (WOACNET) e a Técnica de Clusterização de Nós Baseada em Otimização de Gafanhotos para VANETs (GOA). Além disso, quando o tamanho da grade é considerado, o RSO supera esses algoritmos de ponta, gerando 32.31%, 15.23%, 47.04% e 58.33% mais clusters ideais, respectivamente. Assim, tanto os resultados quantitativos quanto as análises estatísticas destacam a superior eficácia do algoritmo RSO proposto em relação às soluções existentes de ponta para lidar com a natureza imprevisível e dinâmica das VANETs.
Indonesian (Bahasa Indonesia):
Internet of Things (IoT) telah merevolusi jaringan ad hoc kendaraan (VANETs), melahirkan Internet of Vehicles (IoV). VANETs adalah jaringan nirkabel tanpa infrastruktur yang dirancang untuk meningkatkan keselamatan lalu lintas secara real-time dan mendukung sistem transportasi cerdas (ITS). Namun, karena sifatnya yang dinamis dan tidak dapat diprediksi, VANETs menghadapi tantangan besar, seperti kegagalan tautan yang sering, masalah skalabilitas, masalah keandalan, kompleksitas topologi jaringan, tuntutan kualitas layanan (QoS), dan kerentanan keamanan. Tantangan ini secara inheren kompleks dan termasuk dalam kategori masalah NP-hard. Protokol jaringan tradisional tidak cocok untuk VANETs karena karakteristik uniknya. Untuk mengatasi tantangan ini dan mencapai jumlah cluster yang optimal sambil memastikan stabilitas dalam VANETs di lingkungan yang dinamis, kami mengusulkan algoritma metaheuristik berbasis swarm yang disebut Algoritma Optimasi Rat Swarm (RSO). Algoritma RSO memanfaatkan teknik pengelompokan untuk mengoptimalkan kinerja jaringan dan memfasilitasi komunikasi yang efisien dalam VANETs. Dengan memanfaatkan sumber daya secara efektif dan mengoordinasikan berdasarkan jangkauan transmisi node (jangkauan Tx), RSO mengoptimalkan beban jaringan. Ini mengubah jaringan yang tidak terstruktur menjadi struktur cluster yang terorganisir, menghasilkan cluster dan kepala cluster (CHs) yang hampir optimal untuk meminimalkan keacakan jaringan dan menjaga stabilitas dengan overhead komunikasi yang lebih rendah. Dengan mempertahankan jumlah cluster yang optimal, algoritma RSO meningkatkan umur cluster dan kinerja jaringan secara keseluruhan. Untuk mengevaluasi efektivitas dan efisiensi algoritma RSO, berbagai eksperimen dilakukan dengan menggunakan ukuran grid, jangkauan Tx, dan kepadatan node yang bervariasi. Hasilnya menunjukkan bahwa, ketika mempertimbangkan jangkauan Tx dan jumlah node, algoritma RSO mencapai peningkatan 50.96%, 33.15%, 88.73%, dan 96.70% dalam menghasilkan jumlah cluster optimal dibandingkan dengan algoritma mutakhir seperti Algoritma Pengelompokan Berbasis Optimasi Koloni Semut (CACONET), Algoritma Pengelompokan Api Ngengat untuk IoV (MFCA-IoV), Algoritma Optimasi Paus untuk Pengelompokan dalam VANETs (WOACNET), dan Teknik Pengelompokan Node Berbasis Optimasi Belalang untuk VANETs (GOA). Selain itu, ketika ukuran grid diperhitungkan, RSO mengungguli algoritma mutakhir ini dengan menghasilkan 32.31%, 15.23%, 47.04%, dan 58.33% lebih banyak cluster optimal, masing-masing. Dengan demikian, hasil kuantitatif dan analisis statistik menegaskan keefektifan superior dari algoritma RSO yang diusulkan dibandingkan dengan solusi mutakhir yang ada dalam menangani sifat VANETs yang tidak dapat diprediksi dan dinamis.