ກົນລະຍຸດເພື່ອການສື່ສານຂໍ້ມູນໃນເຄືອຂ່າຍຍານພາຫະນະດ້ວຍປັນຍາປະດິດຂັ້ນສູງ. (Deep Learning Based Routing Strategy for Vehicular Network)

ກນົ ລະຍດຸ ເພື່ ອການສື່ ສານຂມ້ໍ ນູ ໃນເຄອຂາື່ ຍຍານພະຫະນະ ດວ້ໍ ຍປນັ ຍາປະດດິ ຂນັໍ້ ສງູ Deep Learning Based Routing Strategy for Vehicular Network ວທິ ະຍານພິ ນົ ປະລນິ ຍາໂທວທິ ະຍາສາດ ສາຂາ ວທິ ະຍາສາດຄອມພິວເຕີ ຊ່ື ແລະ ນາມສະກນຸ ນກັ ສກຶ ສາ: ທາໍ້ ວ ນໂີ ນ້ໍ ຈນັ ທະວງົ ຊື່ ແລະ ນາມສະກນຸ ອາຈານທື່ ີປຶກສາ: ອຈ. ປອ. ພທູ ອນ ວງົ ປະສດິ ສກົ ສກຶ ສາ 2021-2022





ຄາຂອບໃຈ ພວກຂາໍ້ ພະເຈົາໍ້ ນກັ ສກຶ ສາ ລນຸໍ້ ທ່ື ີ I ລະດບັ ປະລິນຍາໂທຂອງຄະນະວທິ ະຍາສາດທາມະຊາດ ພາກວທິ ະຍາສາດຄອມພວິ ເຕີ ສາຂາວຊິ າ ວທິ ະຍາສາດຄອມພວີ ເຕີ ໃນສກົ ຮຽນປີ 2019 _2021 ຂ ສະແດງຄວາມຂອບໃຈເປັນຢາ່ື ງຍື່ ງິ ຕື່ ຄະນະວທິ ະຍາສາດທາມະຊາດ ແລະ ຄະນະນາຂອງພາກວທິ ະ ຍາສາດຄອມພິວເຕີ ຕະຫຼອດເຖງິ ການຈດັ ຕງັ້ໍ ທ່ື ີກຽື່ ວຂອ້ໍ ງທື່ ີໄດໃ້ໍ ຫຄໍ້ ວາມອມ້ໍຸ ຊູຊວື່ ຍເຫຼອ ແລະ ໃຫໂໍ້ ອ ກາດພວກຂາ້ໍ ພະເຈາົ້ໍ ໄດສໍ້ ກຶ ສາຮາ່ື ຮຽນ ຝຶກຝນົ ຫື່ ຼຫຼອມຕນົ ເອງເພື່ ອນາເອົາຄວາມຮູໍ້ ຄວາມສາມາດມາ ປະກອບສວ່ື ນເຂໍົາ້ ໃນໜາ້ໍ ທື່ ີວຽກງານຂອງຕນົ ໃນອະນາຄດົ . ຂາ້ໍ ພະເຈົາ້ໍ ມຄີ ວາມພາກພມູ ໃຈຫຼາຍ ແລະ ເປັນກຽດຢາ່ື ງຍື່ ງິ ທື່ ີມໂີ ອກາດໄດຂໍ້ ຽນບດົ ຈບົ ຊນັ້ໍ ໃນຄງັ້ໍ ນ,ໍ້ີ ຕະຫຼອດໄລຍະເວລາຂອງການຂຽນບດົ ລາຍ ງານວທິ ະຍານພິ ນົ ໃນຄງັ້ໍ ນພໍ້ີ ວກຂາ້ໍ ພະເຈົາໍ້ ໄດຮ້ໍ ບັ ຄວາມຊວື່ ຍເຫຼອ ແລະ ອານວຍຄວາມສະດວກຈາກ ບນັ ດາທາ່ື ນ ອາຈານ ແລະ ບນັ ດາອງົ ການຈດັ ຕງັ້ໍ ຕາ່ື ງໆ. ຂສະແດງຄວາມຂອບໃຈ ທາ່ື ນ ອຈ. ປອ. ພທູ ອນ ວງົ ປະສດິ ຊ່ື ງຶ ເປນັ ອາຈານທື່ ີປຶກສາ ທ່ື ີໄດນໍ້ າ ພາໃຫຄ້ໍ າເເນະນາ, ຖາ່ື ຍທອດຄວາມຮູໍ້ ແລະ ປະສບົ ການທື່ ີດ,ີ ເພື່ ີນໄດເໍ້ ອົາໃຈໃສຢ່ື ືາ່ ງຈງິ ຈງັ ໃນການ ແນະນາໃຫຄໍ້ າປຶກສາເປັນຢື່າງດໃີ ຫແ້ໍ ກພ່ື ວກຂາໍ້ ພະເຈົາໍ້ ເເລະ ທາ່ື ນ ອຈ.ປທ ບວົ ສດົ ໄຊຍະຈກັ ເຊ່ື ງິ ເປນັ ອາຈານຜຊໍູ້ ວຍື່ ນາພາບດົ ໂຄງການຈບົ ຊນັ້ໍ ໃນຄງັ້ໍ ນໃີໍ້ ຫມໍ້ ເີ ນອ້ໍ ໃນທື່ ີຄບົ ຖວໍ້ ນສມົ ບນູ ແລະ ປະສບົ ຜນົ ສາເລັດເປັນຢືາ່ ງດ.ີ ຂສະແດງຄວາມຮບູ້ໍ ນຸ ຄນຸ ເປັນຢ່າື ງສງູ ຕ່ື ທາື່ ນອາຈານທງັ ສອງທ່ື ີໄດນ້ໍ າພາຂຽນບດົ ວທິ ະຍານພິ ນົ ຕງັໍ້ ແຕມ່ື ເ້ໍ ລື່ ມີ ຈນົ ຮອດມສ້ໍ ດຸ ທາ້ໍ ຍ, ຈ່ືງຶ ເຮດັ ໃຫບໍ້ ດົ ໂຄງການຂອງພວກຂາ້ໍ ພະເຈົາ້ໍ ນໄີ້ໍ ດສ້ໍ າເລັດຕາມເປໍ້ົາ ໝາຍທື່ ີວາງໄວ,ໍ້ ຂໃຫອ້ໍ າຈານທງັ ສອງຈງ່ື ົ ມສີ ຂຸ ະພາບແຂງແຮງ, ປະສບົ ຜນົ ສາເລັດຕື່ ໜາໍ້ ທື່ ີວຽກງານ. ພເິ ສດຂສະແດງຄວາມຮບູໍ້ ນຸ ຄນຸ ມາຍງັ ທາງກະຊວງສຶກສາທິການ ແລະ ກລິ າ, ກມົ ອາຊວີ ະສກຶ ສາ ໂດຍສະເພາະແມນ່ື ໂຄງການສາ້ໍ ງຄວາມເຂັມ້ໍ ແຂງໃຫແ້ໍ ກວ່ື ຽກງານອາຊວີ ະສຶກສາທື່ ີໄດໃ້ໍ ຫທ້ໍ ຶນການສກຶ ສາຈນົ ໄດຮໍ້ ບັ ຜນົ ສາເລັດ. ສດຸ ທາ້ໍ ຍນີ້ໍ ຂາ້ໍ ພະເຈົ້ໍາກື່ບ່ື ມຫີ ຍງັ ທື່ ີຈະບນັ ລະຍາຍ ຂສະແດງຄວາມຄວາມຂອບໃຈນາພ່ື ແມ,ື່ ອາ້ໍ ຍ ເອອ້ໍ ຍນອ້ໍ ງ, ໝເືູ່ ພ່ື ອນທງັ ຫຼາຍທ່ື ີເປັນກາລງັ ໃຈຕະຫຼອດມາ ໂດຍສະເພາະແມນື່ ຄອບຄວົ ທ່ື ີໄດສ້ໍ ະໜບັ ສະ ໜນູ ແລະ ຊຸກຍສູໍ້ ່ືງົ ເສມີ ຂາ້ໍ ພະເຈົາໍ້ ຈນົ ໄດຮ້ໍ ບັ ຜນົ ສາເລັດຢື່າງພາກພມູ ໃຈ. i

ບດົ ຄດັ ຫຍ້ໍ ໃນບດົ ຄນົ້ໍ ຄວ້ໍ າດງ່ື ັ ກາື່ ວໄດອ້ໍ ອກແບບຊອ່ື ງສື່ ສານໃໝດື່ ວໍ້ ຍການໜນູ ໃຊທ້ໍ ິດສະດຂີ ອງປນັ ຍາປະດດິ ຂນັໍ້ ສງູ ທ່ື ີເອນ້ີໍ ວາ່ື : ເຕັກນກິ Q_Routing ໂດຍການຮຽນຮູໍ້ ຜາ່ື ນຄາ່ື ຂອງ Q. ນອກຈາກນນັໍ້ ນກັ ຄນົ້ໍ ຄວໍ້ າໄດໍ້ ຄານວນ ແລະ ຊອກຫາຄາ່ື ຂອງ Q ໂດຍອງີ ໃສຄ່ື າື່ ຂອງ Reward ທື່ ີເໝາະສມົ ຈາກການຮຽນຮເູໍ້ ພ່ື ອຊອກ ຫາໂໜດສື່ງົ ຜາື່ ນທື່ ີດທີ ື່ ີສດຸ ໃນການສື່ງົ ຕ່ື ຂມ້ໍ ນູ ເເລະ ນກັ ຄນໍົ້ ຄວໍ້ າກື່ຍງັ ໄດຄ້ໍ ານວນຫາຄາ່ື ຂອງ Reward ຂອງການຮຽນຮຕູໍ້ າມສດູ ຄວາມໜາໍ້ ເຊ່ື ອຖຂອງການເຊ່ື ອມຕ່ື ຂອງບນັ ດາໂໜດ ຍານພາຫະນະ, ບນົ ພ້ໍນຖານຂມໍ້ ນູ ຂອງບນັ ດາໂໜດດງື່ ັ ກາື່ ວເຊື່ ັນ: ທ່ື ີຕງັ້ໍ , ຄວາມໄວ, ທິດທາງ ແລະ ລວມເອົາຂອບເຂດຂອງ ສນັ ຍານຂອງໂໜດເປັນຕນໍ້ົ . ຫຼງັ ຈາກນນັໍ້ ຂນັໍ້ ຕອນວທິ ິ ໃນການຊອກຫາໂໜດກາງທື່ ີດທີ ່ື ີສດຸ ເພ່ື ອສ່ືງົ ຕ່ື ຂ້ໍ ມນູ ຈາກຕນົໍ້ ທາງເຖງິ ປາຍທາງແມນື່ ໄດຖໍ້ ກອອກແບບໃໝບ່ື ນົ ພໍ້ນຖານການຄານວນຫາຄາ່ື ຂອງ Q ພາຍ ໃຕຄ້ໍ າື່ ຂອງ Reward. ເຊ່ື ງິ ຊອ່ື ງສ່ື ສານທື່ ີນກັ ຄນ້ໍົ ຄວໍ້ າໄດອ້ໍ ອກເເບບ Algorithm ໃຫມ່ື ເພ່ື ອການສື່ ສານ ຂອງຍານພາຫະນະນນັໍ້ ມຊີ ່ື ວາ່ື : Q_Routing+R ເປນັ ການປບັ ປງຸ ຕ່ື ຍອດຈາກຊອງ່ື ສ່ື ສານເດມີ ທື່ ີມຊີ ື່ ວາື່ : Q_Routing ຈາກບດົ ຄນ້ົໍ ຄວ້ໍ າທື່ ີກຽ່ື ວຂອ້ໍ ງ ເເລະ ຍງັ ໄດນໍ້ າສາມຊອ່ື ງສື່ ສານໃນບດົ ຄນົ້ໍ ຄວ້ໍ າທ່ື ີກຽື່ ວຂອໍ້ ງກື່ ຄຊອື່ ງສື່ ສານ DSDV, GPSR ເເລະ AODV, ໂດຍການນາໃຊຊໍ້ ຸດຂມໍ້ ນູ ດຽວກນັ ເພື່ ອປະເມນີ ເເລະ ສມົ ທຽບປະສດິ ທິພາບຂອງຊອ່ື ງສື່ ສານທື່ ີກວ່ື າມາ, ຜນົ ຈາກການທດົ ລອງເຫັນວາ່ື ປະສດິ ທິພາບຂອງຊອື່ ງ ສື່ ສານທ່ື ີໄດອ້ໍ ອກແບບໃໝື່ Q_Routing+R ແມນື່ ມປີ ະສດິ ທິພາບດຂີ ນ້ຶໍ ເມື່ອປຽບທຽບກບັ ບນັ ດາຊອື່ ງ ສື່ ສານເດມີ Q_Routing , DSDV, GPSR ເເລະ AODV, ຕາມລາດບັ ໂດຍສະເພາະໃນດາ້ໍ ນອດັ ຕາ ສວ່ື ນການສ່ືງົ ຜາ່ື ນຂມໍ້ ນູ ແລະ ຄວາມຫຼາ້ໍ ຊາ້ໍ ຂອງການສື່ງົ ຂມ້ໍ ນູ ຈາກຕນໍ້ົ ທາງຫາປາຍທາງໂດຍສະເລຍື່ . ຄາສາຄນັ : ເຄ່ື ອຂາ່ື ຍຍານພາຫະນະ; ຊອື່ ງສື່ ສານບນົ ພໍ້ນຖານການຮຽນຮຄູໍ້ າ່ື ຂອງ Q; ຄວາມໜາໍ້ ເຊ່ື ອ ຖຂອງການເຊ່ື ອມຕື່ ; ຊອື່ ງສ່ື ສານແບບ Geographic ii

Abstract A network with reliable and rapid communication is critical for urban Vehicular Ad Hoc Networks (VANETs). VANETs consisting of vehicular nodes moving on the roads with wireless communication. However, the highly dynamic topology of VANETs and limited communication of performance have brought great challenges to the routing design of VANETs. It is difficult for existing routing protocols for VANETs to adapt the high dynamics of VANETs. Moreover, few of existing routing protocols simultaneously meet the requirement of high packet delivery and low delay in Intelligent Transportation Systems (ITSs). This paper proposes a novel Q-learning based routing algorithm (Q_Routing+R) under next-hop selection optimization of geographic routing protocol. To adopt the decision making on the next-hop selection algorithms, an off-policy algorithm as it learns an optimal action maximize Q value based on a reward function that estimates a link reliability between nodes in the routing decision process to select the more reliable next-hop. The performance of the Q_Routing+R that is a proposed routing approach is evaluated using comprehensive SUMO and network simulation (NS2.35). Simulation results show that the Q_Routing+R proposed algorithm can provide higher packet arrival ratio, lower delay than existing routing protocols such as AODV DSDV GPSR and Q_Routing. Keywords: Vehicular Ad hoc Networks; Q-Learning; Link Reliability; Geographic Routing. iii

ສາລະບານ ຄາຂອບໃຈ ....................................................................................................................................i ບດົ ຄດັ ຫຍ.ໍ້ ....................................................................................................................................ii Abstract......................................................................................................................................iii ສາລະບານ...................................................................................................................................iv ສາລະບານຕາຕະລາງ ..................................................................................................................vi ສາລະບານຮບູ .............................................................................................................................vii ຄາສບັ ຫຍໍ້ ....................................................................................................................................ix ພາກທີ 1 ບດົ ນາ .......................................................................................................................... 1 1.1 ຄວາມເປັນມາ ແລະ ສະພາບບນັ ຫາ ............................................................................. 1 1.2 ຄາຖາມຄນໍ້ົ ຄວາ້ໍ ......................................................................................................... 2 1.3 ຈດຸ ປະສງົ .................................................................................................................. 3 1.4 ສມົ ມດຸ ຖານ................................................................................................................ 3 1.5 ຜນົ ປະໂຫຍດຂອງການສກຶ ສາ...................................................................................... 3 ພາກທີ 2 ທບົ ທວນເອກະສານ ແລະ ຂອບເຂດແນວຄວາມຄດິ ....................................................... 4 2.1 ທບົ ທວນເອກະສານ ແລະ ທິດສະດທີ ື່ ີກຽື່ ວຂອໍ້ ງ .............................................................. 4 2.1.1 ເທັກໂນໂລຊກີ ານສື່ ສານ V2V (Vehicle to Vehicle Communication System) ....... 4 2.1.2 ຊອ່ື ງສ່ື ສານ Reactive Routing protocols .................................................................. 5 2.1.3 ຊອ່ື ງສື່ ສານ Proactive Routing Protocols ................................................................. 8 2.1.4 ຊອ່ື ງສ່ື ສານ Geographic Routing Protocols ............................................................. 10 2.1.5 ທິດສະດີ ປນັ ຍາປະດດິ ຂນັ້ໍ ສງູ Deep Learning .......................................................... 11 2.1.6 ທິດສະດກີ ຽື່ ວກບັ ການເສີມສາໍ້ ງການຮຽນຮູໍ້ (Reinforcement Learning)..................... 13 2.1.7 ການສາຫຼວດ ເເລະ ການຄນົ້ໍ ຫາ (Exploration And Exploitation) ......................... 14 2.1.8 ໂປຣເເກຣມ Simulation Of Urban Mobility (SUMO)............................................ 15 2.1.9 ເຄ່ື ອຶ ງມສື່ ສານ Network SimulatorVersion2 ( NS2 ) ............................................ 16 2.2 ທບົ ທວນບດົ ຄນົ້ໍ ຄວາ້ໍ ວທິ ະຍາສາດທື່ ີກຽ່ື ວຂອ້ໍ ງ .............................................................. 17 2.3 ຂອບເຂດແນວຄວາມຄດິ ........................................................................................... 20 2.4 ນຍິ າມຄາສບັ ໃນທາງປະຕບິ ດັ .................................................................................... 21 ພາກທີ 3 ວທິ ີການສກຶ ສາ ..........................................................................................................23 iv

3.1 ການອອກແບບການສກຶ ສາ ........................................................................................ 23 3.1.1 ເຄື່ ອງມທື່ ີນາໃຊເ້ໍ ຂົໍ້າໃນການທດົ ລອງ............................................................................. 25 3.1.2 ໄລຍະເວລາການສຶກສາ................................................................................................. 25 3.2 ການອອກແບບຂນັ້ໍ ຕອນວທິ ີຂອງຊອ່ື ງສ່ື ສານບນົ ພນ້ໍ ຖານທິດສະດີ Q-Learning ............... 25 3.2.1 ໂມເດວການຄດິ ໄລຄື່ າື່ ຂອງ Reward ຄວາມໜາ້ໍ ເຊ່ື ອຖຂອງຊອື່ ງສື່ ສານ...................... 26 3.2.2 ໂມເດວການຄດິ ໄລຄ່ື າ່ື ໄລຍະຫາື່ ງລະຫວາື່ ງໂໜດຍານພາຫະນະ ................................. 27 3.2.3 ຂນັໍ້ ຕອນ ເເລະ ກນົ ລະຍດຸ ເລອກໂໜດສື່ງົ ຜາື່ ນ ........................................................... 27 3.3 ຂນັໍ້ ຕອນການດາເນນີ ການທດົ ລອງ ............................................................................. 33 3.3.1 ການກະກຽມຊດຸ ຂມ້ໍ ນູ ເພ່ື ອການທດົ ລອງດວ້ໍ ຍ OpenStreetMap ເເລະ SUMO.......... 34 3.3.2 ການກະກຽມຊຸດຂມ້ໍ ນູ ເພື່ ອການທດົ ລອງດວໍ້ ຍ NS-2.35............................................... 39 3.3.3 ການປະເມນີ ປະສດິ ທິພາບ............................................................................................. 40 ພາກທີ 4 ຜນົ ການສກຶ ສາ ແລະ ການສນົ ທະນາ...........................................................................42 4.1 ຜນົ ການສກຶ ສາ ......................................................................................................... 42 4.1.1 ຜນົ ກະທບົ ທາງດາ້ໍ ນຄວາມໜາແໜນ້ໍ ຂອງຍານພາຫະນະໃນເຄ່ື ອຂາຍຕື່ ປະສິດຕິພາບ ຂອງຊອ່ື ງສື່ ສານ ............................................................................................................................ 42 4.1.2 ຜນົ ກະທບົ ທາງດາໍ້ ນຄວາມໄວການເຄື່ ອນທ່ື ີສງູ ສດຸ ຂອງຍານພາຫະນະໃນເຄ່ື ອຂາຍຕື່ ປະສິດຕິພາບຂອງຊອ່ື ງສ່ື ສານ....................................................................................................... 46 4.2 ການສນົ ທະນາ ......................................................................................................... 51 ພາກທີ 5 ສະຫຸຼບ, ຂຈໍ້ າກດັ ແລະ ຂແໍ້ ນະນາໃນການສກຶ ສາ ........................................................... 52 5.1 ສະຫຸຼບຜນົ ໃນການສກຶ ສາ........................................................................................... 52 5.2 ຂຈໍ້ າກດັ ໃນການສກຶ ສາ.............................................................................................. 52 5.3 ຂແໍ້ ນະນາໃນການສກຶ ສາ ........................................................................................... 53 ເອກະສານອາໍ້ ງອງີ ....................................................................................................................... 54 ເອກະສານຊອໍ້ ນທາ້ໍ ຍ ................................................................................................................... 57 v

ສາລະບານຕາຕະລາງ ຕາຕະລາງທີ 3. 1 ການພວົ ພນັ ລະຫວາ່ື ງການເສມີ ສາໍ້ ງການຮຽນຮູ້ໍ ແລະ ຊອ່ື ງສ່ື ສານ (Routing) ... 25 ຕາຕະລາງທີ 3. 2 ການຕງັ້ໍ ຄາື່ ໃຫຕ້ໍ ວົ ປື່ຽນໃນການທດົ ລອງ .................................................................. 39 vi

ສາລະບານຮບູ ຮບູ ທີ 2. 1 ພາບຈາລອງຍານພາຫະນະທ່ື ີຕິດຕງັ້ໍ ລະບບົ V2V............................................................... 5 ຮບູ ທີ 2. 2 ຂະບວນການເລອກໂໜດສ່ືງົ ຜາື່ ນຂອງ AODV................................................................... 8 ຮບູ ທີ 2. 3 ຂະບວນການເລອກໂໜດສ່ືງົ ຜາື່ ນຂອງ DSDV ..................................................................10 ຮບູ ທີ 2. 4 ຂະບວນການເລອກໂໜດສື່ງົ ຜາື່ ນຂອງ GPSR ...................................................................11 ຮບູ ທີ 2. 5 ໂຄງສາ້ໍ ງການຈາລອງ Deep Learning .............................................................................12 ຮບູ ທີ 2. 6 ຂະບວນການຂອງການເສມີ ສາ້ໍ ງການຮຽນຮູ້ໍ .......................................................................13 ຮບູ ທີ 2. 7 ຮບູ ພາບຈາລອງເຫດການການຈະລາຈອນໃນຖະໜນົ SUMO .........................................16 ຮບູ ທີ 2. 8 ຮບູ ພາບຈາລອງໂປຣເເກຣມ NS-2 ໃນການການດົ ໂໜດໃນລະບບົ Network ..................17 ຮບູ ທີ 3. 1 ຂນັໍ້ ຕອນວທິ ີການຄນ້ົໍ ຄວໍ້ າ................................................................................................... 24 ຮບູ ທີ 3. 2 ໂຄງສາໍ້ ງຂະບວນການເຮດັ ວຽກ ຂນັໍ້ ຕອນທ່ື ີ 1................................................................... 28 ຮບູ ທີ 3. 3 ໂຄງສາໍ້ ງຂະບວນການເຮັດວຽກ ຂນັ້ໍ ຕອນທ່ື ີ 2................................................................... 31 ຮບູ ທີ 3. 4 ໂຄງສາ້ໍ ງຂະບວນການເຮດັ ວຽກ ຂນັໍ້ ຕອນທ່ື ີ 3................................................................... 33 ຮບູ ທີ 3. 5 ຂນັ້ໍ ຕອນການດາເນນີ ຂະບວນການທດົ ລອງ ...................................................................... 34 ຮບູ ທີ 3. 6 ແຜນທີຂອບເຂດຂອງເມອງຈນັ ທະບລູ ີ, ນະຄອນຫຼວງວຽງຈນັ ດວໍ້ ຍ OpenStreetMap... 35 ຮບູ ທີ 3. 7 ແຜນທີຂອບເຂດຂອງເມອງຈນັ ທະບລູ ີ, ນະຄອນຫຼວງວຽງຈນັ ດວໍ້ ຍ SUMO netconvert. ............................................................................................................................................................... 36 ຮບູ ທີ 3. 8 ແຜນທີຂອບເຂດຂອງເມອງຈນັ ທະບລູ ີ, ນະຄອນຫຼວງວຽງຈນັ ດວ້ໍ ຍ SUMO polyconvert ............................................................................................................................................................... 36 ຮບູ ທີ 3. 9 ແຜນທີຂອບເຂດຂອງເມອງຈນັ ທະບລູ ີ, ນະຄອນຫຼວງວຽງຈນັ ດວໍ້ ຍ SUMO polyconvert ............................................................................................................................................................... 37 ຮບູ ທີ 3. 10 ການຈາລອງການຈາລະຈອນດວໍ້ ຍ SUMO ຂອງໂໜດພາຫະນະ (ສເີ ຫຼອງ) ກາລງັ ຈອດ ເພື່ ອລຖາ້ໍ ໄຟຂຽວບລິເວນ 3 ແຍກປະຕໄູ ຊ, ນະຄອນຫຼວງວຽງຈນັ , ສປປລາວ ......................................38 ຮູ ບທີ 3. 11 ຄາສງ່ື ັ ຂອງ SUMO ເພ່ື ອສາ້ໍ ງ ແລະ ບນັ ທຶກຟາຍຕິດຕາມຮອ່ື ງຮອຍການຈາລະຈອນ ຂອງໂໜດ ຍານພາຫະນະຈາກຟາຍ TraceExporter.py ແລະ Vtopstmap.net.xml ໃຫເ້ໍ ປັນ Vtopstmap.tcl, mobility.tcl ແລະ activity.tcl ................................................................................. 38 ຮບູ ທີ 3. 12 ການຈາລອງການສ່ືງົ ສນັ ຍານດວໍ້ ຍ NS-2 ຂອງໂໜດພາຫະນະຈານວນ 110 ໂໜດ..... 39 ຮບູ ທີ 4. 1 ຜນົ ກະທບົ ທາງດາ້ໍ ນຄວາມໜາແໜນ້ໍ ຂອງຍານພາຫະນະຕື່ ອດັ ຕາສວ່ື ນການສ່ືງົ ຂມ້ໍ ນູ ........43 ຮບູ ທີ 4. 2 ຜນົ ກະທບົ ທາງດາໍ້ ນຄວາມໜາແໜນ້ໍ ຂອງຍານພາຫະນະຕ່ື ປະລິມານການສ່ືງົ ຂມໍ້ ນູ .......... 44 ຮບູ ທີ 4. 3 ຜນົ ກະທບົ ທາງດາ້ໍ ນຄວາມໜາແໜນ້ໍ ຂອງຍານພາຫະນະຕື່ ຄວາມຊາ້ໍ ການສື່ງົ ຂມໍ້ ນູ ........... 45 vii

ຮບູ ທີ 4. 4 ຜນົ ກະທບົ ທາງດາໍ້ ນຄວາມໜາແໜນ້ໍ ຂອງຍານພາຫະນະຕື່ ຄວາມສນູ ເສຍຂມ້ໍ ນູ ................ 46 ຮບູ ທີ 4. 5 ຜນົ ກະທບົ ທາງດາ້ໍ ນຄວາມໄວການເຄ່ື ອນທື່ ີສງູ ສດຸ ຂອງຍານພາຫະນະຕື່ ອດັ ຕາສວື່ ນຂອງ ການສື່ງົ ຜາື່ ນຂມໍ້ ນູ .................................................................................................................................. 47 ຮບູ ທີ 4. 6 ຜນົ ກະທບົ ທາງດາໍ້ ນຄວາມຄວາມໄວການເຄື່ ອນທ່ື ີສງູ ສດຸ ຂອງຍານພາຫະນະຕື່ ປະລິມານສ່ືງົ ຜາື່ ນຂມໍ້ ນູ ............................................................................................................................................... 48 ຮບູ ທີ 4. 7 ຜນົ ກະທບົ ທາງດາ້ໍ ນຄວາມຄວາມໄວການເຄ່ື ອນທ່ື ີສງູ ສດຸ ຂອງຍານພາຫະນະຕື່ ຄວາມຊາ້ໍ ຂອງການສື່ງົ ຜາ່ື ນຂມໍ້ ນູ ໂດຍສະເລຍື່ ......................................................................................................49 ຮູ ບທີ 4. 8 ຜນົ ກະທບົ ທາງດາ້ໍ ນຄວາມໄວການເຄື່ ອນທ່ື ີສງູ ສດຸ ຂອງຍານພາຫະນະຕື່ ຄວາມສນູ ເສຍຂມ້ໍ ນູ ............................................................................................................................................................... 50 viii

ຄາສບັ ຫຍ້ໍ VANET = Vehicular Ad Hoc Network V2V = Vehicle to Vehicle Communication System AODV = Ad Hoc OnDemand Distance Vector DSDV = Vector Direction Distance Vector GPSR = Greedy Perimeter Stateless Routing SUMO = Simulation of Urban Mobility OSM = OpenStreetMap RREQ = Route message RREP = Route reply message ix

ພາກທີ 1 ບດົ ນາ 1.1 ຄວາມເປັນມາ ແລະ ສະພາບບນັ ຫາ ໃນອາດດິ ການຈາລະຈອນຍງັ ບ່ື ທນັ ເປັນລະບບົ ລະບຽບ, ການນາໃຊຍ້ໍ ານພາຫະນະກ່ືຍງັ ບ່ື ທນັ ໄດ້ໍ ຮບັ ທ່ື ີນຍິ ມົ ຫຼາຍສວ່ື ນໃຫຍື່ ມະນດຸ ເຮົາ ເເມນື່ ນຍິ ມົ ໃຊຍ້ໍ ານພາຫະນະປະຈາທາງເປັນຫຼກັ ໃນການເດນີ ທາງ ເຮັດໃຫຜ້ໍ ທໍູ້ ່ື ີມເີ ງ່ືອນໄຂໃນການນາໃຊຍ້ໍ ານພາຫະນະສວື່ ນຕວົ ໃນການສນັ ຈອນຕາມທອໍ້ ງຖະໜນົ ຂາດສະ ຕິໃນການລະມດັ ລະວງັ ຕວົ ບາງຄງັໍ້ ກື່ເກດີ ສື່ ງິ ທ່ື ີບ່ື ຄາດຄດິ ຕາມມາ, ອປຸ ະຕິເຫດທາງບກົ ມສີ ະຖຕິ ິເພໍີ້ມຂນໍຶ້ ທກຸ ໆປີສື່ງົ ຜນົ ເຮດັ ໃຫມໍ້ ກີ ານສນູ ເສຍທາງດາໍ້ ນຊບັ ສນິ ເເລະ ຊວິ ດິ ຂອງມະນດຸ ເອງ, ຍອ້ໍ ນບນັ ຫາດງື່ ັ ກວ່ື າ ມະນດຸ ເຮົາຈື່ງິ ມກີ ານການດົ ກດົ ລະບຽບໃນການສນັ ຈອນຕາມທອ້ໍ ງຖະໜນົ , ເພ່ື ອເຮດັ ໃຫກໍ້ ານເດນີ ທາງ ສະດວກຍ່ື ງິ ຂນ້ຶໍ ເຖງິ ຢາ່ື ງໃດກ່ືຍງັ ບ່ື ທນັ ຕອບສະໜອງໃຫກ້ໍ ບັ ການຄມົ ມະນາຄມົ ທາງບກົ ເທ່ື ົາທື່ ີຄວນ ສະ ນນັໍ້ ຈງິ ມກີ ານຄດິ ຄນໍົ້ ນາເອົາເຕັກໂນໂລຢີທ່ື ີທນັ ສະໄໝເຂາ້ໍົ ມາຊວ່ື ຍໃນການບລິຫານຈດັ ການລະບບົ ການ ຈາລະຈອນໃຫມໍ້ ປີ ະສດິ ທິພາບ, ເພື່ ອຫຸຼດຜອື່ ນບນັ ຫາຕາ່ື ງໆ. ໃນປດັ ຈບຸ ນັ ບື່ ສາມາດປະຕເິ ສດໄດວໍ້ າື່ ໃນການດາລງົ ຊວີ ດິ ປະຈາວນັ ຂອງມະນດຸ ເຮົາຕອ້ໍ ງໄດອໍ້ າ ໃສໃນການເດນີ ທາງ ແລະ ຍານພາຫະນະຖວາື່ ເປັນປດັ ໃຈຫຼກັ ເຊື່ ງິ ມະນດຸ ເຮົາໄດມໍ້ ກີ ານນາໃຊ້ໍ ຍານພາຫະນະເພ່ື ີມຫຼາຍຂນ້ໍຶ ເລໍ້ອຍໆ ສະນນັໍ້ ລະບບົ Vehicular Ad hoc Network ຖກອອກແບບມາ ເພື່ ອໃຫຍ້ໍ ານພາຫະນະໃນທອ້ໍ ງຖະໜນົ ສາມາດສື່ ສານກນັ ໄດໂ້ໍ ດຍນາໃຊເໍ້ ທັກໂນໂລຊເີ ຄອຂາື່ ຍເເບບບ່ື ມສີ າຍທ່ື ີເອນໍ້ີ ວາື່ Dedicated Short Range Communication (DSRC) ເເລະ ເປນັ ສວື່ ນໜື່ ງຂອງ mobile ad hoc networks (MANETs) ໂດຍນາໃຊເໍ້ ຄື່ ອຂາ່ື ຍແທນ Mobile ດວໍ້ ຍຍານພາຫະນະທື່ ີແລນື່ ໃນທອ້ໍ ງຖະໜນົ ,ເພື່ ອສື່ງົ ຜາື່ ນຂມ້ໍ ນູ ເຊື່ ງີ ກນັ ແລະ ກນັ ທງັ ຕອບສະໝອງໃຫແໍ້ ກລ່ື ະບບົ ຄມົ ມະນາຄມົ ແບບທນັ ສະໄໝ ( Intelligent Transportation System), ໂດຍມກີ ານຕິດຕງັ້ໍ ລະບບົ ອປຸ ະກອນສ່ື ສານ ເເບບບື່ ມສີ າຍຕາມເທັກໂນໂລຢີມາດຕະຖານ IEEE 802.11 (Institute of Electrical and Electronics Engineers: IEEE) ໄວພໍ້ າຍໃນຍານພາຫະນະ. ໃນເເຕລ່ື ະໂໜດຂອງເຄອຂາ່ື ຍຍານພາຫະນະ VANETs ຈະມໜີ າ້ໍ ທື່ ີຮບັ ຂມໍ້ ນູ ທື່ ີເເລນ່ື ດວ້ໍ ຍຄວາມ ໄວໃນທອ້ໍ ງຖະໜນົ , ເຊື່ ງິ ເຮັດໃຫທ້ໍ ື່ ີຕງັໍ້ ຂອງໂໜດມກີ ານປ່ືຽນເເປງ, ໂຄງສາໍ້ ງເຄອຂາື່ ຍມກີ ານຜນັ ປືຽ່ ນ ຕະຫຼອດເວລາ. ຈາກສາເຫດດງ່ື ັ ກວາ່ື ນອ້ໍີ າດພາໃຫເ້ໍ ກດີ ການເຊື່ ອມຕື່ ຂາດຫາຍ, ການຫຼາໍ້ ຊາໍ້ ເເລະ ພາໃຫມໍ້ ກີ ານສນູ ເສຍປະລມິ ານຂມ້ໍ ນູ , ສ່ື ງິ ດງື່ ັ ກວື່ ານ້ໍີ ກາຍເປັນປດັ ໄຈທື່ ີມອິ ດິ ຕພິ ນົ ໂດຍກງົ ຕື່ ຄວາມ ສາມາດໃນການສື່ງົ ຂມໍ້ ນູ ໃນເຄອຂາື່ ຍ VANET. 1

ຈດຸ ປະສງົ ຂອງການສກຶ ສາວໄິ ຈລະບບົ ເເມນື່ ເພ່ື ອຄນົ້ໍ ຄວໍ້ າຫຼາຍບນັ ຫາທ່ື ີທາໍ້ ທາຍ, ລວມທງັ ການຄານວນໄລຍະທາງ, ອດັ ຕາສວື່ ນໃນການເຜຍີ ເເຜຂ່ື ມ້ໍ ນູ ເເລະ ການເລອກເຕັກໂນໂລຢີທ່ື ີມປີ ະສດິ ຕິ ພາບ ໃຫເໍ້ ເທດເໝາະກບັ ເຄອຂາ່ື ຍມາດຕະຖານໃຫເໍ້ ເກຊ່ື ອບເເວນາໃຊໍ້ ເເລະ ຕອບສະໜອງກບັ ສະພາບ ເເວດລອໍ້ ມ, ຍກົ ຕວົ ຢາ່ື ງເຊ່ື ັນ: ລະບບົ ແຈງ້ໍ ເຕອນພາວະສກຸ ເສນີ ໃນທອ້ໍ ງຖະໝນົ , ລະບບົ ນຈໍີ້ ະຊວ່ື ຍ ຫຸຼດຜອ່ື ນສະພາບເເອອດັ ຂອງຍານພາຫະນະໃນຖະໜນົ , ຊວື່ ຍຫຸຼດຜອື່ ນ ເເລະ ປອໍ້ ງກນັ ການເກດີ ອປຸ ະຕເິ ຫດ, ເພໍີ້ມຄວາມປອດໄພ ເເລະ ອານວຍຄວາມສະດວກໃນການໂອນຖາ່ື ຍຂມໍ້ ນູ ລະຫວາື່ ງ ຍານພາຫະນະ. ດງ່ື ັ ນນັໍ້ , ເພື່ ອຮບັ ມກບັ ສື່ ງິ ທາໍ້ ທາຍ ເເລະ ການສື່ງົ ຂມໍ້ ນູ ຢາ່ື ງປະສບົ ຜນົ ສາເລັດ ເເລະ ມປີ ະສດິ ຕິ ຜນົ , ນກັ ຄນ້ໍົ ຄວ້ໍ າຈື່ງຶ ມກີ ານສກຶ ສາພດັ ທະນາກຽ່ື ວກບັ ການປະຕິບດັ ງານຂອງ Protocols ເພື່ ອຄນໍ້ົ ຫາຊອື່ ງ ສື່ ສານສາລບັ ເຄອຂາ່ື ຍຍານພາຫະນະ, ເງ່ືອນໄຂສະພາບເເວດລອໍ້ ມຕາ່ື ງໆໃຫເ້ໍ ເທດເມາະກບັ ເອກະລກັ ສະເພາະ ຫຼ ຄນຸ ລກັ ສະນະຂອງ VANET ລວມທງັ ຊອ່ື ງທາງການສ່ື ສານລະຫວາ່ື ງຍານພາຫະນະກບັ ຍານພາຫະນະ V2V (Vehicle to Vehicle), ຍານພາຫະນະ ກບັ ສະຖານນຮີ ບັ ສ່ືງົ ສນັ ຍານຂາ້ໍ ງທາງ (Road Side Units ຫຼ RSU), ຈງ່ື ັ ໃດກ່ືຕາມໃນເຄອຂາື່ ຍ VANET ຍງັ ບ່ື ທນັ ມີ Routing Protocols ໃດໆ ທ່ື ີຮບັ ຮອງປະສດິ ຕິພາບຂອງການໂອນຖາ່ື ຍຂມໍ້ ນູ , ໂດຍສະເພາະສະພາບເເວດລອ້ໍ ມທື່ ີມກີ ານປືຽ່ ນເເປງ ຕະຫຼອດເວລາຂອງທ່ື ີຕງັໍ້ , ຄວາມໄວ ເເລະ ທິດທາງການເຄ່ື ອນທື່ ີຂອງໂໜດໃນທອ້ໍ ງຖະໜນົ . ຂມໍ້ ນູ ທ່ື ີໄດໍ້ ມາຈາກເຄອຂາ່ື ຍ VANET ສາມາດຊວື່ ຍໃນຜຂໍູ້ ບັ ຂື່ ມີ ສີ ະຕິລະມດັ ລະວງັ ແລະ ເສມີ ຂະຫຍາຍຄວາມ ປອດໄພໃນຂະນະເດນີ ທາງຕາມທອ້ໍ ງຖະໜນົ . ຫຼ ທງັ ຕອບສະໜອງໃນການຕດັ ສນິ ໃຈໃຫກ້ໍ ບັ ຜຂ້ໍູ ບັ ຂ່ື ໄີ ດໍ້ ຢາື່ ງວອ່ື ງໄວຂນ້ໍ , ທງັ ນກ້ໍີ ື່ເພື່ ອຫຸຼດຜອ່ື ນບນັ ຫາທ່ື ີຈະເກດີ ຂນ້ໍຶ ຕາມມາຕາື່ ງໆໃນຂະນະເດນີ ທາງ. 1.2 ຄາຖາມຄນົ້ໍ ຄວາໍ້ ເພື່ ອບນັ ລເຸ ປົໍາ້ ໝາຍ ແລະ ຈດຸ ປະສງົ ຂອງການເຮດັ ບດົ ຄນໍ້ົ ຄວ້ໍ າໃນຄງັໍ້ ນ,ີໍ້ ບດົ ຄນໍົ້ ຄວາໍ້ ສະບບັ ນຈີໍ້ ະ ຕອໍ້ ງຕອບໄດບໍ້ ນັ ດາຄາຖາມດງື່ ັ ລມຸື່ ນ:ໍ້ີ 1. ການນາໃຊ້ໍ ຍານພາຫະນະຕາມທອໍ້ ງຖະໜນົ ເເບບເກື່ າົ ເເລະ ການເດນີ ທາງ ໂດຍຍານພາຫະ ນະຕາມທອ້ໍ ງຖະໜນົ ທ່ື ີມຄີ ວາມສາມາດສື່ ສານກບັ ຍານພາຫະດວໍ້ ຍກນັ ທື່ ີໃກຄໍ້ ຽງໄດ,ໍ້ ສາມາດສ່ືງົ ຂມໍ້ ນູ ເພ່ື ອລາຍງານສະພາບ ເເລະ ເຫດການການສນັ ຈອນໃນທອໍ້ ງຖະໜນົ ເພື່ ອຫຼີກລຽ້ໍ ງອປຸ ະຕເິ ຫດຕາື່ ງໆ, ເເບບໃດອານວຍຄວາມສະດວກໃຫກໍ້ ບັ ຜຂໍູ້ ບັ ຂ່ື ີ ເເລະ ຜໂ້ໍູ ດຍສານໃນຄະນະເດນີ ທາງດກີ ວາື່ ກນັ ? 2. ນກັ ຄນໍົ້ ຄວ້ໍ າທາງດາໍ້ ນເຄື່ ອຂາື່ ຍ ຍານພາຫະນະ ຍາມໃດກື່ໃຫຄ້ໍ ວາມສນົ ໃຈໃນການອອກເເບບ ເເລະ ພດັ ທະນາຂນັໍ້ ຕອນວທິ ີ ຂອງຊອື່ ງສື່ ສານໃນເຄ່ື ອຂາ່ື ຍຍານພາຫະນະ ເພ່ື ອເຮັດເເນວໃດໃຫປໍ້ ະສິດ 2

ຕພິ າບ ໃນຂນັໍ້ ຕອນວທິ ີ ຂອງຊອື່ ງສນັ ຍານສ່ື ສານຍານພາຫະນະສາມາດຕອບສະໜອງ ເເລະ ຮອງຮບັ ກບັ ລະບບົ ເຕັກໂນໂລຊຄີ ມົ ມະນາຄມົ ເເບບທນັ ສະໄໝໃນອານາຄດົ , ເຮົາຄວນມກີ ນົ ລະຍດຸ ເເນວໃດການ ພດັ ທະນາໃນລະບບົ VANET ? 1.3 ຈດຸ ປະສງົ 1) ເພ່ື ອສກຶ ສາ ແລະ ອອກແບບຂນັໍ້ ຕອນວທິ ີຂອງຊອ່ື ງສ່ື ສານໃນເຄ່ື ອຂາ່ື ຍຍານພາຫະ 2) ເພ່ື ອພດັ ທະນາ ເເລະ ປບັ ປງຸ ຂນັໍ້ ຕອນວທິ ີ ຂອງຊອ່ື ງສ່ື ສານໃນເຄ່ື ອຂາ່ື ຍຍານພາຫະນະ ໃຫມ້ໍ ປີ ະສດິ ຕພິ າບດຂີ ນຶ້ໍ ກວ່ື າເກ່ື າົ . 3) ເພ່ື ອທາການທດົ ລອງຂນັໍ້ ຕອນວທິ ີຂອງຊອ່ື ງສ່ື ສານໃນເຄ່ື ອຂາື່ ຍຍານພາຫະນະດວ້ໍ ຍ ການຕງັ້ໍ ຄາ່ື ຕວົ ປ່ືຽນການທດົ ລອງໃຫມ້ໍ ຄີ ວາມຫຼາກຫຼາຍ ເເລະ ສມົ ຈງິ . 4) ເພ່ື ອວເິ ຄາະ ແລະ ປະເມນີ ປະສດິ ຕິພາບຂອງຂນັ້ໍ ຕອນວທິ ີຂອງຊອ່ື ງສ່ື ສານທື່ ີໄດສ້ໍ ກຶ ສາ ເເລະ ພດັ ທະນາຄງັໍ້ ນດີໍ້ ວ້ໍ ຍການສມົ ທຽບກບັ ຂນັ້ໍ ຕອນວທິ ີຂອງຊອ່ື ງສື່ ສານໃນບດົ ວໄິ ຈທື່ ີກຽ່ື ວຂອໍ້ ງໃນເຄອ ຂາ່ື ຍຍານພາຫະນະ. 1.4 ສມົ ມດຸ ຖານ ໃນການຄນົໍ້ ຄວໍ້ າຄງັໍ້ ນ້ີໍ ໄດຕໍ້ ງັ້ໍ ສມົ ມດຸ ຖານວາ່ື ຖາ້ໍ ການນາໃຊຖໍ້ ະໜນົ ເພື່ ອການເດນີ ທາງ ໂດຍທ່ື ີ ຍານພາຫະນະເຮົາສາມາດສື່ ສານ ກບັ ຍານພາຫະນະຜອໍູ້ ່ື ນ ໃນຄະນະຂບັ ຂື່ ີ ເພື່ ອເເລກປຽ່ື ນຂມໍ້ ນູ ສະພາບການຈາລະຈອນ ໃນຖະໜນົ ໄດ້ໍ ເເບບໃດຈະມປີ ະສດິ ຕິພາບດກີ ວ່ື າ, ກບັ ການເດນີ ທາງ ໂດຍທ່ື ີ ບ່ື ຮຂູໍ້ ມ້ໍ ນູ ສະພາບຖະໜນົ ເລີຍກບັ ຈດຸ ໝາຍປາຍທາງທ່ື ີຈະໄປ. 1.5 ຜນົ ປະໂຫຍດຂອງການສກຶ ສາ 1. ຮວູໍ້ ທິ ີຂນັ້ໍ ຕອນການນາໃຊເໍ້ ທັກນກິ Q-Learning ມາປະຍກຸ ໃຊປ້ໍ ບັ ປງຸ ກນົ ລະຍດຸ ໃຫກ້ໍ ບັ ຊອ່ື ງ ສ່ື ສານໃນລະບບົ VANET ໃຫມໍ້ ປີ ະສດິ ທິພາບໃນການຊອກຫາໂໜດສື່ງົ ຜາ່ື ນເພ່ື ອການສື່ງົ ຕ່ື ຂມ້ໍ ນູ ຈາກ ຕນ້ໍົ ທາງເຖງິ ປາຍທາງທ່ື ີດຂີ ນຶໍ້ . 2. ຮວູໍ້ ທິ ີຂນັໍ້ ຕອນວທິ ີ ໃນການສາໍ້ ງ Dataset ການຈາລອງການຈາລະຈອນໃນທອໍ້ ງຖະໜນົ ໂດຍ ການນາໃຊເໍ້ ຄື່ ອຶ ງມ SUMO 3. ຮວູໍ້ ທິ ີຂນັໍ້ ຕອນວທິ ີ ໃນການສາໍ້ ງ Dataset ການຈາລອງການສ່ືງົ ສນັ ຍານໃນລະບບົ ເຄ່ື ອຂາ່ື ຍ 3

ພາກທີ 2 ທບົ ທວນເອກະສານ ແລະ ຂອບເຂດແນວຄວາມຄດິ 2.1 ທບົ ທວນເອກະສານ ແລະ ທິດສະດທີ ່ື ີກຽື່ ວຂອ້ໍ ງ ຜາ່ື ນການຄນໍົ້ ຄວາ້ໍ ກຽື່ ວກບັ ທິດສະດວີ ທິ ີການ, ເອກະສານຄນ້ໍົ ຄວາ້ໍ ທີກຽ່ື ວຂອໍ້ ງ ແລະ ເຄ່ື ອງມຕາ່ື ງໆ ທີນາໃຊເໍ້ ຂົໍາ້ ໃນກນົ ລະຍດຸ ເພື່ ອການສ່ື ສານຂມໍ້ ນູ ໃນເຄອຂາື່ ຍຍານພາຫະນະ ດວໍ້ ຍປນັ ຍາປະດດິ ຂນັ້ໍ ສງູ ຂອງຜຄໍູ້ ນົ້ໍ ຄວາໍ້ ແມນື່ ສາມາດສງັ ລວມບນັ ດາເນອ້ໍ ໃນເອກະສານທ່ື ີກຽ່ື ວຂອງ້ໍ ໄດດ້ໍ ງ່ື ັ ລມຸ່ື ນ:ໍ້ີ 2.1.1 ເທັກໂນໂລຊກີ ານສື່ ສານ V2V (Vehicle to Vehicle Communication System) ການສ່ື ສານລະຫວາ່ື ງຍານພາຫະນະ ກບັ ຍານພາຫະນະ V2V ມບີ ດົ ບາດສາຄນັ ໃນການ ມອບຄວາມປອດໄພ ເເລະ ຄວາມສະດວກໃນລະດບັ ສງູ ໃຫເໍ້ ເກຜື່ ຂໍູ້ ບັ ຂ່ື ີ ເເລະ ຜໂໍູ້ ດຍສານ, V2V ເປັນ ການສ່ື ສານເເບບສະເພາະກດິ ລວໍ້ ນໆໃຊງ້ໍ ານດາ້ໍ ນຄວາມປອດໄພເຊ່ື ັນ: ການເເຈງ້ໍ ເຕອນດາ້ໍ ນຂອງຂມໍ້ ນູ ການຈາລະຈອນເພ່ື ອຄວາມປອດໄພ, ການເເຈງ້ໍ ເຕອນອປຸ ະສກັ ໃນຖະໜນົ ຫນົ ທາງ, ການເເຈງ້ໍ ເຕອນ ເຫດການລວື່ ງໜາໍ້ ອາດຈະເກດີ ອປຸ ະຕິເຫດ ເເລະ ອື່ ນໆ. ໃນການສື່ ສານເເບບ V2V ລດົ ເເຕລື່ ະຄນັ ຈາ ເປນັ ຈະຕອໍ້ ງຕິດຕງັໍ້ ລະບບົ GPS (Global Positioning System), ເຊັນເຊ,ີ ອປຸ ະກອນເຄອຂາ່ື ຍ, ເເຜນ່ື ທື່ ີ ດຈີ ຕີ ອນທ່ື ີມຂີ ມ້ໍ ນູ ຂາື່ ວສານຂອງເສັ້ໍນທາງ ເເລະ ອປຸ ະກອນຄອມພີວເຕີ ເພ່ື ອໃຫຍ້ໍ ານພາຫະນະສາມາດ ຮບັ ຂຄ້ໍ ວາມການຈາລະຈອນ ເເລະ ເພ່ື ອໃຫສ້ໍ າມາດສ່ື ສານກບັ ຍານພາຫະນະທ່ື ີຢືໃູ່ ກຄ້ໍ ຽງກນັ ທງັ ຮບັ ຮໄູໍ້ ດ້ໍ ວາື່ ລດົ ເເຕລື່ ະຄນັ ຢໃ່ືູ ນຕາເເໜງື່ ໃດ, ມຄີ ວາມໄວເທ່ື ົາໃດ ເເລະ ມຈີ ດຸ ປະສງົ ຈະເເລນ່ື ໄປໃນທິດທາງໃດ ໂດຍການສ່ືງົ ຂຄວາມ (ສະບາຍດເີ ປັນໄລຍະ HELLO Massage). ຈາກນນັ້ໍ ຍານພາຫະນະຄນັ ອື່ ນໆທື່ ີຢືູ່ ໃນບລະເວນດຽວກນັ ສາມາດອາື່ ນຂມ້ໍ ນູ ເຫື່ ົຼານຈ້ໍີ າກເຊັນເຊເີ ພ່ື ອ ( ຮບັ ຮູ້ໍ ) ຕາເເໜງື່ ເເລະ ເເຈງໍ້ ເຕອນ ໃຫກ້ໍ ບັ ຜຂໍູ້ ບັ ຂ່ື ໄີ ດລ້ໍ ວ່ື ງໜາໍ້ , ຖາໍ້ ມເີ ເນວໂນມວາ່ື ຈະເກດີ ອປຸ ະຕເິ ຫດ, ເຮັດໃຫຜ້ໍ ຂໍູ້ ບັ ສາມາດຕດັ ສິນໃຈຍຽບ ເບກໄດທ້ໍ ນັ ເວລາ, ເພາະຍງັ ບ່ື ທນັ ມລີ ະບບົ ເບກອດັ ໂຕໂນມດັ , ການສ່ື ສານ V2V ໃຊເ້ໍ ຕັກນກິ ການສ່ືງົ ຕ່ື ເເພັກເກດັ ຢືສູ່ ອງເເບບຄ: Unicast ເເລະ MultiCast ລະວາ່ື ງຍານພາຫະນະຕນົ້ໍ ທາງຫາປາຍທາງ, ການ ສື່ງົ ເເບບ Unicast ໝາຍຄວາມວາື່ ລດົ ສາມາດສ່ືງົ ຮບັ ເເພັດເກດັ ຈາກໂໜດໃກຄໍ້ ຽງເທື່ ົານນັໍ້ ໃນຄະນະທື່ ີ ເເບບ MultiCast ສາມາດເເລກປຽ່ື ນເເພັດເກດັ ກບັ ລດົ ທື່ ີຢໃືູ່ ນໄລຍະໄກໄດໂ້ໍ ດຍໃຊໂໍ້ ໜດກາງເປັນການ ສື່ ສານຕ່ື (Raw & Das, 2011). ການສື່ ສານໄດຖໍ້ ກພດັ ທະນາໃຫເ້ໍ ປັນເທັກໂນໂລຢີທ່ື ີສາຄນັ ໃນການເສມີ ສາ້ໍ ງທາງດາໍ້ ນຄມົ ມະນາຄມົ ເເລະ ຄວາມປອດໄພຕາມຖະໜນົ ຫນົ ທາງໂດຍໄດຮ້ໍ ບັ ການສະໜນັ ສະໜນູ ຄວາມຮວ່ື ມມລະຫວາື່ ງຍານພາຫະນະທ່ື ີຢື່ໃູ ກຄ້ໍ ຽງ, ເນື່ອງຈາກມຄີ ວາມຈາເປນັ ດາໍ້ ນຄວາມປອດໄພຂອງ ຂກໍ້ ານດົ ດາ້ໍ ນຄນຸ ະພາບ (QoS), ຍານພາຫະນະທ່ື ີໃຊເໍ້ ທັກນກິ V2V ຈະໄດເ້ໍ ພມໍີ້ ອປຸ ະກອນກະຈາຍ 4

ສນັ ຍານວທິ ະຍຄຸ ວາມຖື່ ີ 5.9GHz ຫຼ 5.4 GHz ທື່ ີດດັ ເເປງຈາກ Protocols WiFi ເເຕຕ່ື ອໍ້ ງຕດັ ລາຍ ລະອຽດຂອງເເພັດເກດັ ບາງຢາ່ື ງ ເພື່ ອລດົ Latency, Protocols ດງື່ ັ ກວາື່ ຊ່ື ວາ່ື : Dedicated Short Range Communications ( DSRC) ເເລະ ໄລຍະໃນການກະຈາຍສນັ ຍານເເມນື່ ປະມານ 500 ເເມດັ ສວ່ື ນຂມ້ໍ ນູ ໃນການກະຈາຍອອກໄປມຫີ ຼາຍຢາື່ ງເຊ່ື ັນ: ຈດຸ ພິກດັ GPS ປດັ ຈບຸ ນັ , ຄວາມໄວ, ອດັ ຕາເລື່ ັງ, ທິດທາງທ່ື ີຈະໄປ, ເມ່ືອຕດິ ຕງັໍ້ ອປຸ ະກອນເເລວ້ໍ ເເລະ ອປຸ ະກອນໄດໃໍ້ ຫຂ້ໍ ມ້ໍ ນູ ທ່ື ີເປນັ ປະໂຫຍດກບັ ຜຂໍູ້ ບັ ຂື່ ີ ລະບບົ ນຈໍີ້ ະຊວ່ື ຍເພມໍ້ີ ຄວາມປອດໄພໃຫກໍ້ ບັ ຜຂໍູ້ ບັ ຂື່ ໃີ ນການໃຊລໍ້ ດົ ໃຊຖໍ້ ະໜນົ , ຊວື່ ຍລດົ ອປຸ ະຕິເຫດ ເເລະ ລດົ ຄວາມສນູ ເສຍທື່ ີຈະເກດີ ຂນໍ້ຶ (Ye, Li, & Juang, 2019). ຮບູ ທີ 2. 1 ພາບຈາລອງຍານພາຫະນະທື່ ີຕິດຕງັ້ໍ ລະບບົ V2V 2.1.2 ຊອື່ ງສື່ ສານ Reactive Routing protocols ມນັ ຖກອອກແບບມາ ເພ່ື ອບນັ ລກຸ ານສນູ ເສຍພະລງັ ງານໃນໄລຍະທາງໜອ້ໍ ຍລງົ ໂດຍໃຊ້ໍ Vector ບອກໄລຍະທາງ ເເລະ ຈະບອກຕາເເໜງື່ ຂອງໂໜດເປາ້ໍົ ໝາຍກ່ືຕ່ື ເມ່ືອມກີ ານຮອ້ໍ ງຮບັ ຂມໍ້ ນູ ຈາກໂໜດທ່ື ີຈະສື່ງົ ຂມໍ້ ນູ ເທ່ື ົານນັ້ໍ . ຕວົ ຢາື່ ງ Protocols ມາດຕະຖານຊະນດິ ດງື່ ັ ກວາ່ື ຄ: DSR (the Dynamic Source Routing ) ເເລະ AODV (Ad Hoc On Demand Distance-Vector). Protocols ການການດົ ເສັໍ້ນທາງເເບບຕອບສະໜອງຈະສາໍ້ ງເສັ້ໍນທາງສະເພາະເມ່ືອຕອໍ້ ງການເທື່ ົານນັໍ້ . ດງ່ື ັ ນນັ້ໍ ໂໜດ ທື່ ີໃຊໃ້ໍ ນຮບູ ເເບບ Reactive Routing Protocols ບ່ື ຈາເປັນຕອ້ໍ ງອບັ ເດດຕາຕະລາງເສັນ້ໍ ທາງຂອງຕນົ ເອງຢຕ່ືູ ະຫຼອດ ເເລະ ບື່ ຈາເປັນໃນການຮກັ ສາເສັນໍ້ ທາງສາລບັ ໂໜດທງັ ໝດົ ໃນເຄອຂາື່ ຍ, Reactive Routing Protocols ເມື່ອຕອ້ໍ ງການເສັໍ້ນທາງໄປຫາປາຍທາງໃຫມື່ ມນັ ຈະເລີມ້ໍ ຕນໍ້ົ ຈາກຄາຮອ້ໍ ງຂ ເສັ້ໍນທາງ ເເລະ ຕອໍ້ ງຖາໍ້ ຈນົ ກວື່ າຈະພບົ ເສັນ້ໍ ທາງ,ຂເ້ໍ ສຍຄ: ຄວາມຫຼາ້ໍ ຊາ້ໍ ໃນການຊອກຫາເສັໍ້ນທາງເພ່ື ອ ໄປຫາຈດຸ ໝາຍປາຍທາງໃຫມ່ື (Narra, Cheng, Çetinkaya, Rohrer, & Sterbenz, 2012). ໂໜດຕນ້ົໍ ທາງຈາເປນັ ຕອ້ໍ ງເຜີຍເເຜເ່ື ເພັກເກດັ ການຮອໍ້ ງຂເສັນ້ໍ ທາງໄປຫາລະບບົ ເຄອຂາື່ ຍທງັ ໝດົ ໂໜດທ່ື ີໄດໍ້ ຮບັ ເເພັກເກດັ ຮອໍ້ ງຂ (ບື່ ເເມນື່ ໂໜດປາຍທາງ) ຈະດາເນນີ ການອອກອາກາດຄນຊາ້ໍ ຂອງເເພັດເກດັ ເສັນ້ໍ ທາງທ່ື ີຮອໍ້ ງຂໄປຫາໂໜດໃກຄໍ້ ຽງ, ຂະບວນການນຈ້ີໍ ະດາເນນີ ຕ່ື ໄປຈນົ ກວື່ າຈະພບົ ປາຍທາງທ່ື ີຕອ້ໍ ງ 5

ການ ເມື່ອໂໜດປາຍທາງໄດຮ້ໍ ບັ ຂຄ້ໍ ວາມຂອງເສັໍ້ນທາງ ໂໜດຈະຕອບກບັ ໄປຫາໂໜດຕາື່ ງໆທື່ ີຢຕ່ືູ າມ ເສັໍ້ນທາງກບັ ໄປຫາໂໜດປາຍທາງ, ເມື່ອຶ ໃດກື່ຕາມທ່ື ີໂໜດຕນໍ້ົ ທາງຕອ້ໍ ງການມນັ ຖກອອກແບບມາ ເພື່ ອ ບນັ ລກຸ ານສນູ ເສຍພະລງັ ງານໃນໄລຍະທາງໜອ້ໍ ຍລງົ ໂດຍໃຊ້ໍ Vector ບອກໄລຍະທາງ ເເລະ ຈະ ບອກຕາເເໜງື່ ຂອງໂໜດເປ້ໍົາໝາຍກື່ຕ່ື ເມື່ອມກີ ານຮອໍ້ ງຮບັ ຂມ້ໍ ນູ ຈາກໂໜດທ່ື ີຈະສື່ງົ ຂມໍ້ ນູ ເທື່ ົານນັ້ໍ . ຕວົ ຢາ່ື ງ Protocols ມາດຕະຖານຊະນດິ ດງື່ ັ ກວາ່ື ຄ: DSR [the Dynamic Source Routing ] ເເລະ AODV (Ad Hoc OnDemand Distance Vector). Protocols ການການດົ ເສັໍ້ນທາງເເບບຕອບສະໜອງ ຈະສາໍ້ ງເສັນ້ໍ ທາງສະເພາະເມື່ອຕອໍ້ ງການເທື່ ົານນັ້ໍ . ດງື່ ັ ນນັ້ໍ ໂໜດ ທື່ ີໃຊໃໍ້ ນຮບູ ເເບບ Reactive Routing Protocols ບ່ື ຈາເປັນຕອໍ້ ງອບັ ເດດຕາຕະລາງເສັໍ້ນທາງຂອງຕນົ ເອງຢຕືູ່ ະຫຼອດ ເເລະ ບ່ື ຈາເປນັ ໃນການ ຮກັ ສາເສັນ້ໍ ທາງສາລບັ ໂໜດທງັ ໝດົ ໃນເຄອຂາື່ ຍ, Reactive Routing Protocols ເມ່ືອຕອ້ໍ ງການເສັ້ໍນທາງ ໄປຫາປາຍທາງໃຫມ່ື ມນັ ຈະເລໍີມ້ ຕນົ້ໍ ຈາກຄາຮອ້ໍ ງຂເສັ້ໍນທາງ ເເລະ ຕອ້ໍ ງຖາໍ້ ຈນົ ກວ່ື າຈະພບົ ເສັນ້ໍ ທາງ,ຂໍ້ ເສຍຄ: ຄວາມຫຼາໍ້ ຊາ້ໍ ໃນການຊອກຫາເສັນ້ໍ ທາງເພ່ື ອໄປຫາຈດຸ ໝາຍປາຍທາງໃຫມື່ (Narra, Cheng, Çetinkaya, Rohrer, & Sterbenz, 2012). ໂໜດຕນົ້ໍ ທາງຈາເປນັ ຕອໍ້ ງເຜີຍເເຜເ່ື ເພັກເກດັ ການຮອໍ້ ງຂ ເສັໍ້ນທາງໄປຫາລະບບົ ເຄອຂາື່ ຍທງັ ໝດົ ໂໜດທື່ ີໄດຮ້ໍ ບັ ເເພັກເກດັ ຮອໍ້ ງຂ (ບ່ື ເເມນື່ ໂໜດປາຍທາງ) ຈະດາ ເນນີ ການອອກອາກາດຄນຊາໍ້ ຂອງເເພັດເກດັ ເສັໍນ້ ທາງທ່ື ີຮອ້ໍ ງຂໄປຫາໂໜດໃກຄໍ້ ຽງ, ຂະບວນການນຈ້ີໍ ະ ດາເນນີ ຕື່ ໄປຈນົ ກວື່ າຈະພບົ ປາຍທາງ ທ່ື ີຕອ້ໍ ງການ ເມ່ືອໂໜດປາຍທາງໄດຮໍ້ ບັ ຂຄໍ້ ວາມຂອງເສັ້ໍນທາງ ໂໜດຈະຕອບກບັ ໄປຫາໂໜດຕາື່ ງໆ ທື່ ີຢຕືູ່ າມເສັ້ໍນທາງກບັ ໄປຫາໂໜດປາຍທາງ, ເມ່ືອຶ ໃດກື່ຕາມທື່ ີ ໂໜດຕນົໍ້ ທາງຕອ້ໍ ງການສື່ງົ ເເພັກເກດັ ຂມໍ້ ນູ ໄປຫາໂໜດປາຍທາງ, ມນັ ຈະເຮດັ ໃຫເ້ໍ ຄອຂາ່ື ຍມແີ ພັກເກດັ ຄາຮອໍ້ ງຂເສັນໍ້ ທາງ, ໂໜດປາຍທາງສ່ືງົ ຂຄ້ໍ ວາມຕອບກບັ ເສັໍນ້ ທາງໃນລກັ ສະນະ Unicast, ຈາກນນັໍ້ ໂໜດຕນ້ົໍ ທາງຈະສື່ງົ ເເພັກເກດັ ຂມໍ້ ນູ ໄປຫາໂໜດປາຍທາງສື່ງົ ເເພັກເກດັ ຂມໍ້ ນູ ໄປຫາໂໜດປາຍທາງ, ມນັ ຈະເຮັດໃຫເ້ໍ ຄອຂາ່ື ຍມແີ ພັກເກດັ ຄາຮອໍ້ ງຂເສັ້ໍນທາງ, ໂໜດປາຍທາງສື່ງົ ຂຄໍ້ ວາມຕອບກບັ ເສັນໍ້ ທາງ ໃນ ລກັ ສະນະ Unicast, ຈາກນນັໍ້ ໂໜດຕນໍ້ົ ທາງຈະສ່ືງົ ເເພັກເກດັ ຂມ້ໍ ນູ ໄປຫາໂໜດປາຍທາງ (Younis, Abdulazeez, Zeebaree, Zebari, & Zeebaree, 2021). ຊອື່ ງສື່ ສານ AODV (Ad Hoc On Demand Distance Vector) AODV ເເມນື່ ໂໜດຕນົ້ໍ ທາງຈະຊອກຫາເສັນໍ້ ທາງທື່ ີຍງັ ຫວາ່ື ງເພື່ ອສ່ືງົ ຂມໍ້ ນູ ໄປຫາໂໜດປາຍ ທາງ ມນັ ຈະປະກາດຫາຂຄໍ້ ວາມຮອໍ້ ງຂ Route message (RREQ) ເຊ່ື ງິ ປະກອບມ:ີ ຂມ້ໍ ນູ ໂໜດຕນໍົ້ ທາງ ໂໜດປາຍທາງ, ເລກລາດບັ ເສັໍນ້ ທາງ (Sequence Number) ໄປຫາທກຸ ໆໂໜດອອມໍ້ ຂາໍ້ ງ, ຖາ້ໍ ຫາກ ໂໜດ ອອມໍ້ ຂາໍ້ ງໃດມຊີ ອ່ື ງທາງທື່ ີຍງັ ຫວາື່ ງກື່ຈະສ່ືງົ ຂມ້ໍ ນູ ຕອບກບັ Route reply message (RREP) (VONGPASITH Phouthone 2017). ຖາ້ໍ ບື່ ດງື່ ັ ນນັໍ້ ໂໜດອອມ້ໍ ຂາ້ໍ ງດງື່ ັ ກວ່ື າກື່ຈະສ່ືງົ ຜາື່ ນຂຄໍ້ ວາມຮອໍ້ ງຂ ໄປຫາໂໜດອອມໍ້ ຂາ້ໍ ງຖດັ ໄປ. ຂະບວນການນຈີ້ໍ ະສບເນື່ອງໄປເລ່ື ອຍໆ ຈນົ ກວ່ື າຂຄ້ໍ ວາມຮອ້ໍ ງຂເຖງິ 6

ໂໜດປາຍທາງ ຫຼ ຂຄ້ໍ ວາມຮອ້ໍ ງຂອາດຈະເຖງິ ໂໜດອອມໍ້ ຂາ້ໍ ງທື່ ີມຄີ ນຸ ສມົ ບດັ ພຽງພທື່ ີຈະສື່ງົ ຂມ້ໍ ນູ ໄປຫາ ໂໜດປາຍທາງສາເລັດ. ໃນທື່ ີສດຸ ໂໜດຕນ້ົໍ ທາງອາດຈະໄດຮໍ້ ບັ ຂຄໍ້ ວາມກບັ ຫຼາຍສະບບັ ພອ້ໍ ມຄນຸ ສມົ ບດັ ທື່ ີ ພຽງພເພື່ ອຈະສ່ືງົ ຂມໍ້ ນູ . ສະນນັໍ້ ເພ່ື ອໃຫເ້ໍ ເນໃື່ ຈວາ່ື ໂໜດອອມໍ້ ຂາໍ້ ງໃດມຄີ ນຸ ສມົ ບດັ ທື່ ີພຽງພເພື່ ອຈະສື່ງົ ຂ້ໍ ມນູ , (Narra, Cheng, Çetinkaya, Rohrer, & Sterbenz, 2012). AODV ໄດໃ້ໍ ຊເ້ໍ ຕັກນກິ ປະສມົ ປະສານ ລະຫວາ່ື ງການໃສລ່ື ະຫດັ ເເລະ ການນບັ ຊວ່ື ງ (Sequence Number ເເລະ Hop Counts) ເຂົໍາ້ ໃນ ຂຄ້ໍ ວາມຮອໍ້ ງຂເເຕລ່ື ະຊຸດ, ການໃສລ່ື ະຫດັ ເເລະ ການນບັ ຊວື່ ງຈະຊວ່ື ຍໃຫ້ໍ Node ອອມ້ໍ ຂາ້ໍ ງຕດັ ສິນໃຈ ວາ່ື ຈະສ່ືງົ ຂຄໍ້ ວາມຕອບກບັ ຫາໂໜດຕນໍ້ົ ທາງ ຫຼ ຈະປະຕິເສດຂຄ້ໍ ວາມຮອ້ໍ ງຂ, ນອກຈາກນນັໍ້ AODV ຍງັ ມກີ ນົ ໄກໃນການປບັ ປງຸ ສາຍເສັ້ໍນທາງ (Routes) ເປັນໄລຍະ, ເພື່ ອປໍອ້ ງກນັ ການຂາດຫາຍການເຊື່ ອມ ຕ່ື (Link Break) ຈງ່ື ັ ໃດກື່ຕາມຖາ້ໍ ຫາກກນົ ໄກການປບັ ປງຸ ສາຍເສັໍ້ນທາງຫຼມໍ້ົ ເເຫຼວກ່ືຈະເກດີ ມກີ ານລາຍ ງານຂຄໍ້ ວາມຜດິ ພາ (Route Error message (RERR) ໄປຫາໂໜດຕາ່ື ງໆ ທື່ ີຮວື່ ມສາຍເສັໍ້ນທາງວາື່ ເກດີ ມກີ ານອບັ ສນັ ຍານ (Broken Link) ໃນສາຍຕາື່ ງໆ (Haerri, J. and Filali, F. and Bonnet, 2006). ການການດົ ເສັໍນ້ ທາງເພື່ ອສາໍ້ ງເສັໍນ້ ທາງລະຫວາື່ ງຕນ້ົໍ ທາງຫາປາຍທາງເມ່ືອຶ ໂໜດຕນໍົ້ ທາງ S ຕອໍ້ ງການ ສ່ືງົ ເເພັດເກດັ ໄປຫາໂໜດປາຍທາງ D, ຂະບວນການຊອກຫາເສັນ້ໍ ທາງຕາມນາໍ້ ຖວໍ້ ມຂອງເເພັກເກດັ RREQ (Deshmukh & Dorle, 2016) ເມ່ືອ AODV ຖກອອກແບບມາເພື່ ອຮບັ ມກບັ ເຄອຂາື່ ຍທື່ ີມຄີ ວາມ ໜາແໜນ້ໍ ສງູ ພາຍໃຕຄໍ້ ວາມໄວທື່ ີມຄີ ວາມຫຼາກຫຼາຍ, ໂໜດຕນົໍ້ ທາງຈະສາໍ້ ງເສັ້ນໍ ທາງໄປຫາໂໜດປາຍ ທາງທື່ ີບ່ື ຮຈູໍ້ ກັ ເມ່ືອມເີ ເພັກເກດັ ຂມໍ້ ນູ ທ່ື ີຈາເປັນຕອ້ໍ ງສື່ງົ . ການກື່ສາໍ້ ງເສັ້ໍນທາງແມນ່ື ບນັ ລໄຸ ດໂໍ້ ດຍການກະ ຈາຍຂຄໍ້ ວາມຮຽກຮອໍ້ ງເສັນ້ໍ ທາງ (RREQs), ເນ່ືອງຈາກການເຄື່ ອນທື່ ີຂອງໂໜດແລະພະລງັ ງານແບັດ ເຕີຣທີ ື່ ີຈາກດັ ເຮັດໃຫໍ້ Topology ເຄອຂາື່ ຍມກີ ານປ່ຽື ນເເປງ ເເລະ ກ່ືໃຫເ້ໍ ກດີ ຄວາມລມົ້ໍ ເລວໃນສ່ື ສານ Link ຈາເປນັ ຈະຕອ້ໍ ງມກີ ານບາລງຸ ຮກັ ສາເສັ້ໍນທາງເເຕລ່ື ະໂໜດທື່ ີສນູ ເສຍ Link ໄປຫາໂໜດປາຍທາງ ເເລະ ຈາເປັນຈະຕອໍ້ ງສ່ືງົ ຂຄ້ໍ ວາມ (RERR) ໄປຫາໂໜດເພື່ ອນບາ້ໍ ນເພ່ື ອເເຈງ້ໍ ເຕອນໃຫຮໍ້ ວູໍ້ າ່ື ເສັນໍ້ ທາງ ທ່ື ີໃຊຢ້ໍ ໃືູ່ ນປະຈບຸ ນັ ແມນ່ື ໃຊງ້ໍ ານບື່ ໄດອໍ້ ກີ ຕ່ື ໄປມນັ ອາດຈະດາເນນີ ການສອໍ້ ມແປງໃນພື່ ນທ່ື ີດງື່ ັ ກວ່ື າ (Younis, Abdulazeez, Zeebaree, Zebari, & Zeebaree, 2021). 7

RREP Destination RREP N1 N3 D RREQ RREQ S N2 N4 RREQ Source RREQ ຮບູ ທີ 2. 2 ຂະບວນການເລອກໂໜດສ່ືງົ ຜາື່ ນຂອງ AODV 2.1.3 ຊອື່ ງສື່ ສານ Proactive Routing Protocols Proactive Routing Protocols ເປັນ Routing Protocols ທື່ ີໃຊຕໍ້ າຕະລາງໃນການຄນໍົ້ ຫາ ເສັໍນ້ ທາງໃນການຂບັ ຂື່ ີ ໂດຍທ່ື ີຈດັ ເກບັ ຂມ້ໍ ນູ ການການດົ ເສັໍ້ນທາງຂອງໂໜດໃກຄ້ໍ ຽງທງັ ໝດົ ໃນເຄອຂາ່ື ຍ ແລະ ເພໍ້ີມເສັ້ນໍ ທາງໃຫມ່ື ຫຼ ປບັ ປງຸ ເສັນໍ້ ທາງທ່ື ີມຢີ ແ່ືູ ຕລື່ ະໄລຍະລະຫວາື່ ງຂອງສອງໂໜດສວ່ື ນຂດ້ໍ ຂີ ອງ Proactive Routing Protocol ຄ: ຂມໍ້ ນູ ດງ່ື ັ ກາື່ ວສາມາດສື່ງົ ຕ່ື ໄດທ້ໍ ນັ ທີ ທ່ື ີຕອໍ້ ງການຍອໍ້ ນວາ່ື ມນັ ຈດັ ເກບັ ຂ້ໍ ມນູ ໃໝຢື່ ືສູ່ ະເໜີ, ສວື່ ນຂເໍ້ ສຍຄ: ຈະຕອໍ້ ງໄດຈ້ໍ ດັ ເກບັ ຂມ້ໍ ນູ ເສັ້ໍນທາງໃນຈານວນຫຼວງຫຼາຍໃນສວ່ື ນ Overhead. ຕວົ ຢາ່ື ງຂອງ Proactive Routing Protocol ມາດຕະຖານຊະນດິ ນໄໍ້ີ ດຖ້ໍ ກນາມາວໄິ ຈ ຫຼ ຖກ ໃຊຢ້ໍ ືາ່ ງກວາ້ໍ ງຂວາງໃນເຄອຂາື່ ຍໂຄສະນາຕາ່ື ງໆເຊື່ ັນ: DSDV ( Destination Sequenced Distance Vector ) ແລະ OLSR ( Optimized Link State Routing ) (Narra, Cheng, Çetinkaya, Rohrer, & Sterbenz, 2012). ຂມ້ໍ ນູ ຂອງການການດົ ເສັ້ໍນທາງໄດຮ້ໍ ບັ ການຮກັ ສາ ເເລະ ຈດັ ເກບັ ໄວໃໍ້ ນຕາຕະລາງ ເສັໍ້ນທາງ, ໂໜດຈະອບັ ເດດເສັໍ້ນທາງເປັນໄລຍະໂດຍການກະຈາຍໄປຫາໂໜດທງັ ໝດົ ໃນເຄອຂາ່ື ຍຜາື່ ນ ຂຄ້ໍ ວາມຂອງການການດົ ເສັ້ໍນທາງຫາປາຍທາງຕາມລາດບັ ໄລຍະທາງຂອງ Vector (Younis, Abdulazeez, Zeebaree, Zebari, & Zeebaree, 2021). ຊອ່ື ງສ່ື ສານ DSDV ( Destination Sequenced Distance Vector ) DSDV ເປັນໜື່ ຶງໃນ Algorithms ໃນຍກຸ ທາອດິ ທື່ ີມຢີ ືູ່ ເເລະ ມນັ ຂອ້ໍ ນຂາ້ໍ ງເໝາະສມົ ສາລບັ ການສາໍ້ ງ Ad Hoc ເຄອຂາື່ ຍທື່ ີມຈີ ານວນໂໜດໜອໍ້ ຍ, DSDV ຕອ້ໍ ງການໃຫມໍ້ ກີ ານອບັ ເດດຕາຕະລາງ ເສັນໍ້ ທາງເປັນປກົ ກະຕິ, ເຊື່ ງິ ໃຊພ້ໍ ະລງັ ງານແບັດເຕີຣີ ແລະ ໃຊຄ້ໍ ວາມໄວຂອງການສ່ື ສານໜອໍ້ ຍເຖງິ 8

ແມນ່ື ວາື່ ເຄອຂາ່ື ຍຈະຍງັ ບ່ື ທນັ ເປີດໃຊງໍ້ ານກ່ືຕາມ (VONGPASITH Phouthone 2017). ເມື່ອໃດກື່ຕາມ ໂຄງສາ້ໍ ງຂອງເຄອຂາື່ ຍມກີ ານປືຽ່ ນແປງ, ຈາເປັນຈະຕອໍ້ ງມຈີ ານວນລາດບັ ໝາຍເລກໃຫມື່ ກອ່ື ນທື່ ີລະບບົ ເຄອຂາ່ື ຍຈະກບັ ຄນມາຮວມຕວົ ອກີ ຄງັໍ້ ໜື່ ຶງ, ດງື່ ັ ນນັໍ້ DSDV ຈື່ງຶ ບື່ ເໝາະກບັ ລະບບົ ເຄອຂາື່ ຍເເບບເຄ່ື ອນ ໄຫວສງູ (Dynamic) (Rahman & Zukarnain, 2009). DSDV ໃຊອ້ໍ າກລິທມ BellmanFord ເພື່ ອ ການຄານວນເສັ້ນໍ ທາງເປນັ Protocol ໂດຍຂບັ ເຄ່ື ອນອງີ ໃສຕ່ື າຕະລາງ, ດງື່ ັ ນນັ້ໍ ຈາເປັນຕອໍ້ ງຮກັ ສາ ຕາຕະລາງເສັ້ໍນທາງພອ້ໍ ມລາຍການສາລບັ ໂໜດທງັ ໝດົ ໃນເຄອຂາື່ ຍ (Narra, Cheng, Çetinkaya, Rohrer, & Sterbenz, 2012). DSDV ຊື່ ງເປນັ ຂນັໍ້ ຕອນວທິ ີໃນການສ່ືງົ ສນັ ຍານໜື່ ຶງທີນຍິ ມົ ໃຊທໍ້ ດົ ລອງ ໃນເຄອຂາື່ ຍຍານ ພາຫະນະ VANETs. ເເຕລື່ ະໂໜດຈະມຕີ າຕະລາງສາຍທາງຊື່ ງປະກອບດວ້ໍ ຍຂມ້ໍ ນູ ທ່ື ີຕງັໍ້ ຂອງໂໜດປາຍທາງ ເເລະ ຈານວນຂວົ ຕ່ື ສນັ ຍານ (Hop Count) ເຖງິ ໂໜດ ປາຍທາງ. ຂມໍ້ ນູ ໃນ ຕາຕະລາງສາຍທາງຈະຖກເກບັ ໝາຍເລກລາດບັ (Sequence Number) ໄວໂ້ໍ ດຍໂໜດ ປາຍທາງ. ໝາຍເລກລາດບັ ຈະຊວື່ ຍຫຼີກລຽງບນັ ຫາການວນົ ຊາໍ້ ສາຍທາງ (Routing Loop). ເພ່ື ອປບັ ປງຸ ຂມໍ້ ນູ ໃນ ຕາຕະລາງສາຍທາງ ຂອງເເຕລື່ ະໂໜດໃຫທ້ໍ ນັ ເເລະ ເໝາະສມົ ກບັ ສະຖານະການ. DSDV ເຊ່ື ງິ ເປັນ ກນົ ໄກໃນການການດົ ເສັ້ໍນທາງ BellmanFord ເປັນ Protocols ການການດົ ເສັໍ້ນທາງທື່ ີຂບັ ເຄ່ື ອຶ ນດວໍ້ ຍ ຕາຕະລາງໄດຮໍ້ ບັ ການພດັ ທະນາໂດຍ Perkins ເເລະ Bhagawat (Ramasamy Rajeswari, 2020). DSDV ໃຊປໍ້ ະໂຫຍດຈາກໝາຍເລກລາດບັ ນອກເໜອຈາກທ່ື ີຢື່ຂູ ອງປາຍທາງ, ຕາຕະລາງເສັ້ໍນທາງຈະ ເເຍກລະຫວາ່ື ງເສັໍ້ນທາງເກ່ື າົ ເເລະ ເສັໍນ້ ທາງທື່ ີເພໍີ້ມຂນຶ້ໍ ໃນເສັໍ້ນທາງ, ການອບັ ເດດຕາຕະລາງເສັນໍ້ ທາງ ເເມນື່ ເຮັດໄດໂໍ້ ດຍການນາໃຊກໍ້ ານການດົ ເສັໍ້ນທາງສອງປະເພດ: ນາຂມ້ໍ ນູ ທ່ື ີມຢີ ທືູ່ ງັ ໝດົ ມາອບັ ເດດເທື່ ອ ລະກາໍ້ ວ ເເລະ ເມື່ອມກີ ານປ່ຽື ນເເປງ Topology ທື່ ີສາຄນັ ໃດໜ່ື ຶງຂອງການການດົ ເສັນໍ້ ທາງເເພັກເກດັ (Younis, Abdulazeez, Zeebaree, Zebari, p& Zeebaree, 2021). ດງ່ື ັ ຮບູ ທີ 2.3 ລມຸື່ ນ:ີ້ໍ 9

DV N3 Destination N1 DV D S N2 N4 DV DV Source ຮບູ ທີ 2. 3 ຂະບວນການເລອກໂໜດສ່ືງົ ຜາື່ ນຂອງ DSDV 2.1.4 ຊອ່ື ງສື່ ສານ Geographic Routing Protocols ຊອ່ື ງສ່ື ສານ GPSR (Greedy Perimeter Stateless Routing) ເປນັ ຊອື່ ງສື່ ສານໃນຮບູ ເເບບ Geographic Routing Protocols ເຊື່ ງຶ ໂໜດແຕລື່ ະຕວົ ໃນລະບບົ ເຄື່ ອຂາື່ ຍຈະປະກອບມຕີ າຕະລາງຂມ້ໍ ນູ ຂອງໂໜດອອໍ້ ມຂາ້ໍ ງເຊື່ ັນ: ລະຫດັ , ທ່ື ີຕງັໍ້ , ຄວາມໄວເຄ່ື ອນທື່ ີ ເເລະ ທິດທາງເປນັ ຕນົ້ໍ . ຂມ້ໍ ນູ ເຫື່ ົຼານຈີ້ໍ ະຖກ ເອນີ້ໍ ໃຊດ້ໍ ວ້ໍ ຍເຕັກນກິ ການ ເລອກໂໜດ ສ່ືງົ ຜາື່ ນຂມໍ້ ນູ ທື່ ີເອນ້ໍີ ວາ່ື : Greedy Forwarding ແລະ Perimeter Forwarding. ໃນກມຸື່ ໂໜດອອ້ໍ ມຂາ້ໍ ງໃນວງົ ຂອບເຂດສນັ ຍານ, ໂໜດຕນ້ໍົ ທາງຈະເລອກໂໜດອອ້ໍ ມຂາໍ້ ງ ທື່ ີມທີ ື່ ີຕງັໍ້ ໃກກ້ໍ ບັ ໂໜດປາຍທາງທື່ ີສດຸ ເປນັ ໂໜດສ່ືງົ ຜາ່ື ນຂມ້ໍ ນູ , ຂະບວນການເລອກ ໂໜດສ່ືງົ ຜາ່ື ນນເີ້ໍ ອນໍ້ີ ວາ່ື Greedy Forwarding. ຫາກບ່ື ມີ ໂໜດອອ້ໍ ມຂາໍ້ ງໃດໆ ໃນວງົ ຂອບເຂດສນັ ຍານ ທື່ ີມທີ ື່ ີຕງັ້ໍ ໃກກ້ໍ ບັ ໂໜດປາຍທາງນອກຈາກໂໜດຕນ້ົໍ ທາງເອງ, GPSR ຈະປ່ືຽນຂະບວນການເລອກໂໜດສ່ືງົ ຜາ່ື ນຊື່ ງເອນໍ້ີ ວາ່ື : Perimeter Forwarding, ໃນທ່ື ີສດຸ ຖາ້ໍ ຂະບວນການເລອກໂໜດສ່ືງົ ຜາ່ື ນຫາກຖກລມົໍ້ ເຫຼວທງັ ໝດົ , ຂໍ້ ມນູ ກື່ຈະຖກລບົ ລາ້ໍ ງ ກາຍເປັນຂມໍ້ ນູ ທື່ ີສນູ ເສຍ. ຮບູ ທີ 2.4 ອະທິບາຍຕວົ ຢາື່ ງຂະບວນການເລອກ ໂໜດສື່ງົ ຜາື່ ນຂອງຊອ່ື ງສື່ ສານ GPSR; R ໝາຍເຖງິ ຂອບເຂດສນັ ຍານ (Transmission Range), ໃນ ຕວົ ຢາື່ ງນແໍ້ີ ມນ່ື ສມົ ມດຸ ໃຫທ້ໍ ກຸ ໆໂໜດມຂີ ອບເຂດສນັ ຍານເທື່ ົາ ກນັ , ເທື່ ົາ R. ວງົ ມນົ ອອ້ໍ ມຮອບໂໜດປາຍ ທາງ D ໝາຍເຖງິ ໄລຍະຫາື່ ງແຕໂ່ື ໜດປາຍທາງ D ຫາ ໂໜດ N. (VONGPASITH Phouthone 2017) ເມ່ືອໂໜດຕນົ້ໍ ທາງ S ຕອໍ້ ງການສື່ງົ ຂມ້ໍ ນູ ໄປຍງັ ໂໜດປາຍທາງ D, ກອ່ື ນອ່ື ນຶ S ຈະຕອໍ້ ງສ່ືງົ ຂມ້ໍ ນູ ຜາ່ື ນ N ອງີ ຕາມເຕັກນກິ ຂອງ Greedy Forwarding, ໃນເມ່ືອ N ເປັນ ໂໜດອອໍ້ ມຂາ້ໍ ງຂອງ S ມທີ ່ື ີຕງັໍ້ ໃກກໍ້ ບັ D. ແຕບ່ື ນັ ຫາຕ່ື ມາກື່ຄທ່ື ີຕງັ້ໍ ຂອງ D ຢນືູ່ ອກວງົ ຂອບເຂດສນັ ຍານຂອງ N, ແລະ N ກື່ບ່ື ມີ ໂໜດອອ້ໍ ມຂາ້ໍ ງທ່ື ີມທີ ື່ ີຕງັໍ້ ໃກກ້ໍ ບັ D ນອກຈາກ N ເອງເພື່ ອສ່ືງົ ຜາ່ື ນຂມໍ້ ນູ , ທື່ ີຈະໄດນ້ໍ າໃຊເ້ໍ ຕັກນກິ ຂອງ 10

Greedy Forwarding.ໃນກລະນນີ ເີ້ໍ ອນີ້ໍ : ວາື່ ບນັ ຫາ Local Maximmum. ສະນນັໍ້ , GPSR ຈະເອນ້ີໍ ໃຊໍ້ ຂະບວນການເລອກໂໜດສ່ືງົ ຜາ່ື ນທື່ ີເອນ້ໍີ ວາ່ື : Perimeter Forwarding, ໂໜດ N ຈະສ່ືງົ ຂມ້ໍ ນູ ຜາື່ ນ ໂໜດອອ້ໍ ມຂາໍ້ ງຕາື່ ງໆລຽບຕາມເສັນໍ້ ທາງລກູ ສອນ ND ຈນົ ກວ່ື າຂມ້ໍ ນູ ຈະເຖງິ D,ຊື່ ງຶ ເຮົາເອນ້ີໍ ວທິ ີນວີໍ້ າ່ື : ວທິ ີໃຊກ້ໍ ດົ ເກນທາງຂວາມ (RightHandle Rule). (Balasubramani, Karthikeyan, & Deepalakshmi, 2015). GPSR ເປນັ ວທິ ີການການດົ ເສັ້ໍນທາງແບບດງັໍ້ ເດມີ ເຊ່ື ງິ ໃຊຢໍ້ ໃືູ່ ນ Protocol ການການດົ ເສັ້ໍນທາງ ຕາມພມູ ສາດ ເເລະ ລວມມສີ ອງວທິ ີການສ່ືງົ ຂມ້ໍ ນູ ຄ: ການສື່ງົ ຕື່ ເເບບກາ້ໍ ວກະໂດດ (Liu, Feng, Zhang, Li, & Wang, 2016). GPSR ຕອ້ໍ ງການໃຫທ້ໍ ກຸ ໆໂໜດມຕີ າເເໜງ່ື ແລະ ຈາເປນັ ຕອ້ໍ ງມຕີ າເເໜງ່ື ຂອງ ໂໜດຮວ່ື ມ. ໂດຍການໃຊຂ້ໍ ຄ້ໍ ວາມອອກອາກາດຜາ່ື ນລະບບົ ທື່ ີເປີດໃຊວໍ້ ຽກ GPS ເພາະໂຄງສາ້ໍ ງ Topology ມກີ ານປຽ່ື ນເເປງເລື່ ອຍໆ, ເເພັດເກດັ ຂມໍ້ ນູ ທ່ື ີສນູ ຫາຍໃນຂະນະຂອງການສື່ງົ ຂມໍ້ ນູ ຈາກຕນໍົ້ ທາງປາຍທາງ ດງື່ ັ ນນັ້ໍ ການເລອກໂມເດຂອຊອ່ື ງສື່ ສານທ່ື ີມປີ ະສດິ ທິພາບເປນັ ສື່ ງິ ສາຄນັ ໃນການປບັ ປງຸ ອດັ ຕາ ສວື່ ນຂອງການສ່ືງົ ເເພັກເກດັ ຂມໍ້ ນູ . (Raheja, Mahajan, & Goel, 2021). ຮບູ ທີ 2. 4 ຂະບວນການເລອກໂໜດສື່ງົ ຜາື່ ນຂອງ GPSR 2.1.5 ທິດສະດີ ປນັ ຍາປະດດິ ຂນັໍ້ ສງູ Deep Learning ຫາໍ້ ປີທື່ ີຜາື່ ນມາ, Deep Learning ເຮັດໃຫໂ້ໍ ລກຕອ້ໍ ງປະຫຼາດໃຈ, ເຮດັ ໃຫມໍ້ ຄີ ວາມກາ້ໍ ວໜາໍ້ ຢາ່ື ງວອ່ື ງໄວໃນດາ້ໍ ນເຕັກໂນໂລຊຕີ າື່ ງໆ, ນອກຈາກນນັ້ໍ ຄວາມສາເລັດຂອງການຮຽນຮຂູ້ໍ ອງໜາ້ໍ ວຽກທື່ ີ ໜາ້ໍ ສນົ ໃຈໃນທາງປະຕິບດັ ເປັນຈານວນຫຼວງຫຼາຍ, ໄດກໍ້ ະຕນໍຸ້ ໃຫກໍ້ ານພດັ ທະນາຂອງການຮຽນຮຂູ້ໍ ອງ ເຄ່ື ອງຈກັ . ດວ້ໍ ຍຄວາມກາ້ໍ ວໜາ້ໍ ທາງດາໍ້ ນເຕັກໂນໂລຊເີ ຫື່ ົຼານມ້ໍີ ະນດຸ ເຮົາຈື່ງຶ ສາມາດສາ້ໍ ງຍານພາຫະນະທື່ ີ ຂບັ ເຄື່ ອນໂດຍຕວົ ເອງ (Self-Diving Car) ໄດຢໍ້ າ່ື ງເປັນອດິ ສະຫຼະໄດຫ້ໍ ຼາຍກວາື່ ທື່ ີເຄຍີ ເປນັ ມາ ເເລະ Deep Learning ຊວື່ ຍໃຫຮ້ໍ ບູ ເເບບໃນການທດົ ລອງຂອງການຄານວນເເຕລື່ ະ Layers ການປະມວນຜນົ ຫຼາຍຊນັ້ໍ ສາມາດຮຽນຮູໍ້ ເເລະ ສະເເດງຂມໍ້ ນູ ທ່ື ີມຫີ ຼາຍລະດບັ ການຮຽນຮເູໍ້ ເບບວທິ ີການຂອງສະໝອງ 11

ມະນດຸ ຮບັ ຮເູໍ້ ຂໍາ້ົ ໃຈຂມ້ໍ ນູ ໄດຫໍ້ ຼາຍຮບູ ເເບບ, ເພາະສະນນັ້ໍ ຈື່ງຶ ຈບັ ໂຄງສາ້ໍ ງທື່ ີສບັ ຊອໍ້ ນຂອງຂມໍ້ ນູ ທື່ ີມຂີ ະ ໜາດໃຫຍື່ ໄດຢ້ໍ າື່ ງຈະເເຈງໍ້ . Deep Learning ເປັນກມຸ່ື ວທິ ີການທ່ື ີຫຼາກຫຼາຍເຊ່ື ງິ ກວມເອົາໂຄງສາໍ້ ງ ປະສາດທຽມ, ຮບູ ເເບບຄວາມເປັນໄປໄດຂ້ໍ ອງເເຕລ່ື ະລາດບັ ຊນັໍ້ ເເລະ ວທິ ີການຮຽນຮຄູໍ້ ນຸ ລກັ ສະນະ ຕາ່ື ງໆ, ພອໍ້ ມທງັ ເຮັດໃຫເ້ໍ ກດີ ຄວາມກາໍ້ ວໜາ້ໍ ອນັ ຍ່ື ງິ ໃຫຍ່ື ໃນຫຼາຍບນັ ຫາທ່ື ີກຽ່ື ວຂອໍ້ ງກບັ ວໄິ ສທດັ ດາໍ້ ນ ຄອມພວີ ເຕເີ ຊ່ື ັນ: ການກວດຈບັ ວດັ ຖ,ຸ ການຕິດຕາມການເຄື່ ອນໄຫວ, ການຄາດຄະເນ ເເລະ ອື່ ນໆ (Voulodimos, Doulamis, Doulamis, & Protopapadakis, 2018). Deep Learning ເເມນື່ ພາກສວ່ື ນໜ່ື ຶງຂອງ Machine Learning ເເລະ ປນັ ຍາປະດດິ ຂນັໍ້ ສງູ (Artificial Intelligence AI) ໂດຍອງີ ໃສຄື່ ວາມຊບັ ຊອ້ໍ ນຂອງເຄອຂາ່ື ຍປະສານທຽມ (Neural Network) ເພ່ື ອການຮຽນຮ.ູໍ້ ການຮຽນຮສູໍ້ າມາດເປນັ ທງັ ການຮຽນຮເູໍ້ ເບບມຜີ ສໍູ້ ອນ (Supervised Learning), ການຣຽນຮເູໍ້ ເບບບື່ ມຜີ ສໍູ້ ອນ (Unsupervised Learning) ເເລະ ການຮຽນຮເູໍ້ ເບບລອງຜດິ ລອງຖກ (Reinforcement Learning). Deep Learning ຄາ້ໍ ຍຄກບັ ການເຮັດວຽກຂອງລະບບົ ປະສາດ ໃນສະໝອງມະນດຸ ເຮົາ, ເຄ່ື ອຂາື່ ຍເຫື່ ົຼານມີ້ໍ ເີ ຊວປະສາດ ເຊ່ື ອມຕ່ື ກນັ ເປັນລະບບົ ປະສາດ ເເລະ ສ່ື ສານ ກນັ ໂດຍໃຊກໍ້ ານປະມວນເເບບຂະໜານກນັ (Parallel Processing) ເພ່ື ອເຮັດໃຫມ້ໍ ນັ ສາມາດເຂາົ້ໍ ໃຈ ເເລະ ຮຽນຮຈູ້ໍ າກຂມໍ້ ນູ ຈານວນຫຼາຍທ່ື ີໄດຮ້ໍ ບັ ຢາ່ື ງຕື່ ເນ່ື ອງ. Deep Learning ພະຍາຍາມຖອດລະຫດັ ຂ້ໍ ມນູ ທ່ື ີໄດຮ້ໍ ບັ ມາ ເເລະ ການດົ ສື່ ງິ ຕາ່ື ງໆເເບງ່ື ເເຍກເປນັ ໝວດໝໂ່ືູ ດຍອດັ ໂຕໂນມດັ , ເມື່ອໃດກະຕາມ ຫຼກັ ການການຮຽນຮູໍ້ ເເລະ ໄດຮໍ້ ບັ ຂມ້ໍ ນູ ໃໝມ່ື ນັ ຈະພະຍາຍາມປຽບທຽບກບັ ສ່ື ງິ ທ່ື ີໄດຮ້ໍ ຽນຮມູ້ໍ າກອື່ ນໜາ້ໍ ນີໍ້ ເພື່ ອຈະໄດສ້ໍ ກຶ ສາຄວາມເຂ້ົໍາໃນກບັ ສື່ ງິ ນນັ້ໍ ໆ (Zhang, A., Lipt on, Z. C., Li, M., & Smola, A. J. 2021). Input Output Hien Layer Output Layer Input Layer ຮບູ ທີ 2. 5 ໂຄງສາໍ້ ງການຈາລອງ Deep Learning 12

2.1.6 ທິດສະດກີ ຽ່ື ວກບັ ການເສມີ ສາ້ໍ ງການຮຽນຮູໍ້ (Reinforcement Learning) Reinforcement Learning ເປັນການເສມີ ສາໍ້ ງການຮຽນຮູໍ້ ເປນັ ສາຂາໜື່ ງຂອງການຮຽນຮູໍ້ ຂອງຄອມພວີ ເຕີ (Machine Leaning). ເພື່ ອບນັ ລເຸ ປົໍາ້ ໝາຍ ຫຼ ການໄດຮ້ໍ ບັ ລາງວນັ (Results ຫຼ Reward), ບນັ ດາຕວົ ລະຄອນ (Agent) ໄດສໍ້ ະເເດງພດຕິກາຕາື່ ງໆ (Actions), ຮຽນຮ,ູໍ້ ສະສມົ ປະສບົ ການ (Feedback) ເເລະ ປບັ ປງຸ ຍດຸ ທະສາດຢາ່ື ງຕ່ື ເນ່ືອງພາຍໃຕສ້ໍ ະພາບເເວດລອ້ໍ ມອອມ້ໍ ຂາ້ໍ ງ ( Environment ) (Militani et al., 2021). ດງ່ື ັ ຮບູ ທີ 2.6. ການເສມີ ສາ້ໍ ງການຮຽນຮເູໍ້ ປັນການປະເມນີ ຂອງລາງວນັ , ສະຖານະ (State) ເເລະ ພຶກຕິກາ (Sutton, 1988). ໂດຍທ່ືວົ ໄປຂະບວນການຂອງການ ເສມີ ສາ້ໍ ງການຮຽນຮຈູໍ້ ະສະເເດງເລ້ມີໍ ຈາກສະຖານະ s_t ເເລະ ລາງວນັ r_t, ຕວົ ລະຄອນຈະຜາື່ ນສ່ື ງິ ເເວດລອ້ໍ ມດວໍ້ ຍພດຕິກາ at ໄປສສູ່ື ະຖານະໃໝື່ s_t + 1 ເເລະ ຈະໄດຮ້ໍ ບັ ລາໍ້ ງວນັ r_t+1. ຕວົ ລະຄອນ ຈະປະເມນີ ລາງວນັ ເເລະ ສະສມົ ບດົ ຮຽນຈາກການປະຕິບດັ ພດຕກິ ື່ເເລວ້ໍ ປບັ ປງຸ ເພື່ ອການຕດັ ສນິ ໃຈ ໃນການປະຕິບດັ ຄງັ້ໍ ຖດັ ໄ ປໂດຍໃຊຄໍ້ າື່ ຂອງ Q ເປັນຕວົ ການດົ . ຂະບວນຂອງການເສມີ ສາ້ໍ ງການຮຽນ ຮຈູໍ້ ະສບເນື່ ອຶ ງໄປເລ່ື ອຍໆຈນົ ກວື່ າຂນັໍ້ ຕອນການຮຽນຮສູ້ໍ ນ້ໍິ ສດຸ , ການເສມີ ສາໍ້ ງການຮຽນຮເູໍ້ ຊື່ ງິ ເປນັ ຕວົ ລະຄອນຂອງການໂຕຕອບກນັ ກບັ ສະພາບເເວດລອໍ້ ມໃນຊວ່ື ງເວລາທ່ື ີມຫີ ຼາຍຂນັໍ້ ຕອນ, ແຕລື່ ະຂນັໍ້ ຕອນ ຕວົ ລະຄອນໄດຮໍ້ ບັ ການສງັ ເກດການກຽ່ື ວກບັ ສະພາບແວດລອ້ໍ ມບາງຢາ່ື ງ ເເລະ ຕອ້ໍ ງເລອກການກະທາ ທ່ື ີຈະຖກສື່ງົ ກບັ ຄນໃນພາຍຫຼງັ ຕ່ື ກບັ ສະພາບເເວດລອໍ້ ມດວ້ໍ ຍກນົ ໄກບາງຢາ່ື ງ (ບາງຄງັໍ້ ເອນໍີ້ ວາ່ື ຕວົ ກະ ຕນ້ໍຸ ) ສດຸ ທາ້ໍ ຍຕວົ ລະຄອນໄດຮໍ້ ບັ ລາງວນັ ຈາກສະພາບເເວດລອໍ້ ມເເລວໍ້ , ຈາກນນັ້ໍ ຕວົ ລະຄອນໄດຮໍ້ ບັ ການ ສງັ ເກດການຕ່ື ໄປເປນັ ຕນ້ໍົ ເເມນ່ື ພດຶ ຕກິ າຂອງຕວົ ເສມີ ສາ້ໍ ງການຮຽນຮ,ູ້ໍ ມນັ ຖກຄວບຄມຸ ຈາກນະໂຍບາຍ ໂດຍການສງັ ເກດຈາກສະພາບເເວດລອ້ໍ ມໄປສກູໍ້ ານກະທ ເເລະ ເພື່ ອເປ້ົາໍ ໝາຍຂອງການຕດັ ສນິ ໃຈໃນ ຮບູ ເເບບເສມີ ສາໍ້ ງການຮຽນຮທູໍ້ ື່ ີດຂີ ນໍຶ້ (Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. 2021). State S_t Agent reward Action a_t r_t+1 Environment S_t+1 ຮູ ບີທ 2. 6 ຂະບວນການຂອງການເສມີ ສາ້ໍ ງການຮຽນຮູໍ້ 13

2.1.7 ການສາຫຼວດ ເເລະ ການຄນ້ໍົ ຫາ (Exploration And Exploitation) ໜື່ ຶງໃນຄາຖາມຕນົໍ້ ຕກຽ່ື ວກບັ ການເສມີ ສາໍ້ ງການຮຽນຮູ້ໍ ເເມນື່ ການໃຊປ້ໍ ະໂຫຍດຈາກພດຕິ ກາໃນປະຈບຸ ນັ (K+1) ເພື່ ອສາ້ໍ ງລາງວນັ ທ່ື ີດກີ ວ່ື າເກ່ື າົ ຫຼ ຈະສຽື່ ງຄນໍົ້ ຫາພດຕກິ າໃໝເ່ື ພື່ ອອາດຈະ ສາມາດໄດຮ້ໍ ບັ ລາງວນັ ຍື່ ງິ ໃຫຍ່ື ກວື່ າເກ່ື າົ . ການເສມີ ສາໍ້ ງການຮຽນຮູໍ້ ເປນັ ເຕັກນກິ ໜ່ື ຶງທື່ ີມກີ ານປະສານ ງານກນັ ລະຫວາ່ື ງສະຖານະ ເເລະ ພດຕິກາໃຫໄ້ໍ ດມໍ້ າຄາື່ ຂອງລາງວນັ ສງູ ສດຸ (Desai & Patil, 2016). ການເສມີ ສາ້ໍ ງການຮຽນຮູ້ໍ ຖກນາໃຊເ້ໍ ຂ້ົໍາໃນການເລອກເສັໍ້ນທາງຂອງຊອ່ື ງສ່ື ສານສື່ງົ ຂມໍ້ ນູ ໃນເຄື່ ອຂາ່ື ຍ ເເບບຢຶດຢນຸ (Dynamically) ໂດຍອງີ ຕາມຄວາມເໝາະສມົ ເເລະ ເງອນໄຂຕາື່ ງໆເພື່ ອຕດັ ສນິ ໃຈໃນ ການເລອກໂໜດສ່ືງົ ຜາ່ື ນ. ການເສີມສາໍ້ ງການຮຽນຮຈູ້ໍ ະບ່ື ໄດເໍ້ ລອກພດຕກິ າໃດໜ່ື ຶງໂດຍກງົ , ເເຕຈ່ື ະ ພິຈາລະນາວາ່ື ພດຕິກາທີມລີ າງວນັ ຢາື່ ງສມົ ເຫດສມົ ຜນົ . ດງື່ ັ ນນັໍ້ ບນັ ຫາທາ່ື ທາຍຂອງການເສມີ ສາ້ໍ ງການ ຮຽນຮກູ້ໍ ື່ຄການສມົ ດນູ ລະຫວາ່ື ງການໄດມ້ໍ າຄາ່ື ຂອງລາງວນັ ເເລະ ການພິຈາລະນາພຶດຕິກາໃດທີມີ ລາງວນັ ຢາື່ ງສມົ ເຫດສມົ ຜນົ ໃນອານາຄດົ . ເພື່ ອເລອກໂໜດກາງທື່ ີມປີ ະສດິ ທິພາບໃນການສື່ງົ ຕ່ື ຂມ້ໍ ນູ ໃນ ເຄື່ ອຂາື່ ຍຍານພາຫະນະນນັ້ໍ , ການເຮັດໃຫຄ້ໍ ວາມສມົ ດນູ ລະຫວາື່ ງການສາຫຼວດ ແລະ ການຄນົໍ້ ຫາໃນໂມ ເດວຂອງ Q-Learning ແມນື່ ມຄີ ວາມຈາເປັນ.ການສາຫຼວດໝາຍເຖງິ ການຄນົໍ້ ຫາພດຶ ຕກິ າໃໝເື່ ພື່ ອຈະ ໄດຮໍ້ ຽນຮສູໍ້ ່ື ງິ ໃໝຈ່ື າກບນັ ດາພຶດຕິການນັໍ້ ໆ, ແຕຖື່ າ້ໍ ໃຊເ້ໍ ວລາຄນົ້ໍ ຫາຫຼາຍເກນີ ໄປຈະເຮດັ ໃຫຫໍ້ ຍງຸ້ໍ ຍາກຕ່ື ການຮຽນຮູ້ໍ ແລະ ການປບັ ປງຸ ບນັ ດາພຶດຕກິ າເດມີ ໃຫດ້ໍ ຂີ ນໍຶ້ . ໃນຄະນະດຽວກນັ ການຄນົ້ໍ ຫາແມນ່ື ການນາ ເອົາຈດຸ ດຂີ ອງບນັ ດາພຶດຕິກາຈາກການສາຫຼວດ, ເຊ່ື ງິ ອາດຈະສາໍ້ ງຜນົ ຕອບແທນສງູ , ແຕກື່ ານຄນ້ົໍ ຫາ ຫຼາຍເກນີ ໄປ ເຮັດໃຫຫ້ໍ ຍງຸ້ໍ ຍາກ ແລະ ພາດໂອກາດທື່ ີຈະໄດໍ້ ຫຼ ຄນົ້ໍ ພບົ ບນັ ດາພດຶ ຕິກາທື່ ີມລີ າງວນັ ທື່ ີ ດກີ ວ່ື າ (Sutton, 1988). Markov Decision Processes (MDPs) ເປັນໂມເດວທາງຄະນດິ ສາດທ່ື ີນາໃຊໍ້ ເພື່ ອແກບ້ໍ ນັ ຫາຕາື່ ງໆໃນ ການເສມີ ສາ້ໍ ງການຮຽນຮ.ູໍ້ ພວກເຮົາຈາລອງເຄ່ື ອຂາື່ ຍຍານພາຫະນະປຽບສະ ເໝອນ ສະພາບແວດລອ້ໍ ມທື່ ີສນັ ຍາລກັ ດວໍ້ ຍຕວົ ອກັ ສອນ E, ຊ່ື ງຈະປະກອບດວ້ໍ ຍໂໜດຍານພາຫະນະ (Vehicular Nodes), ຂມໍ້ ນູ ທື່ ີສື່ງົ ຕ່ື ລະຫວາື່ ງໂໜດຈາກໂໜດຕນົ້ໍ ທາງເຖງິ ໂໜດປາຍທາງຮຽກວາື່ ຕວົ ລະຄອນ. ສວ່ື ນໂໜດ ທກຸ ໆຕວົ ຢໃ່ືູ ນລະບບົ ເຄ່ື ອຂາື່ ຍຍານພາຫະນະເອ້ີໍນວາື່ ກມຸ່ື ຂອງສະຖານະແທນ ດວ້ໍ ຍຕວົ ອກັ ສອນ S. ການສື່ງົ ຕື່ ຂມໍ້ ນູ ຈາກໂໜດຫາໂໜດເອນີ້ໍ ວາ່ື ພຶດຕກິ າແທນດວ້ໍ ຍຕວົ ອກັ ສອນ A. ສະນນັ້ໍ ຂະບວນການເລອກໂໜດກາງເພ່ື ອສ່ືງົ ຕື່ ຂມ້ໍ ນູ ແມນື່ ການປະເມນີ ຄາື່ ຂອງລາງວນັ ໃນອານາຄດົ ແລະ ຄາ່ື ຂອງ Q ໂດຍການດົ ໃຫ້ໍ Qs (d, a) ເປັນຄາື່ ຂອງ Q ໃນເຫດການທື່ ີມສີ ະຖານະ s ພດຶ ຕກິ າ a ເພ່ື ອສື່ງົ ຂມໍ້ ນູ ເຖງິ d ຊ່ື ງ s, d ∈ S; a ∈ A. ຊື່ ງຄາ່ື ຂອງ Q ສາມາດຄານວນດວໍ້ ຍ ສດູ ຄະນດິ ສາດດງື່ ັ ລມຸ່ື ນໍີ້ (Militani et al., 2021). (2.1) Qk + 1 = Qk + α ∗ (rk + 1 − Qk) Qk ຄາ່ື ຂອງ Q ໃນຂນັໍ້ ຕອນກອ່ື ນໜາໍ້ k 14

Qk + 1 ຄາື່ ຂອງ Q ໃນຂນັ້ໍ ຕອນປະຈບຸ ນັ k+1 r k + 1 ເປັນ ຄາ່ື ຂອງລາງວນັ ຫຼງັ ພດຕິກາທ່ື ີມຄີ າື່ ຂອງ Q ໃນຂນັໍ້ ຕອນ k+1; α ຄາື່ ຊວີ້ໍ ດັ ຂອງການຮຽນຮູໍ້ (Step Size Parameter, Learning Rate); k ລາດບັ ກອ່ື ນໜາ້ໍ Q_Routing ເປັນເຕັກນກິ ການປື່ຽນແປງຄາ່ື ຂອງ Q-Learning ເພື່ ອພດັ ທະນາການສ່ື ສຶ ານ ສ່ືງົ ຂມໍ້ ນູ ໃນເຄ່ື ອຂາ່ື ຍ. Q_Routing ຖກໃຊເໍ້ ຂາໍົ້ ໃນການປະເມນີ ເວລາຂອງ ການສ່ືງົ ຕື່ ຂມ້ໍ ນູ ແຕື່ ຕນໍົ້ ເຖງິ ປາຍທາງດວໍ້ ຍຄາື່ ຂອງ Q. ໂດຍທື່ວົ ໄປແຕລ່ື ະໂໜດໃນເຄ່ື ອຂາື່ ຍຈະມຄີ າື່ ເລື່ ີມຕນ້ໍົ ຂອງ Q. ໃນການຄນໍ້ົ ຄວໍ້ ານໄໍ້ີ ດຕໍ້ ງັ້ໍ ຄາື່ ເລື່ ີມຕນ້ໍົ ຂອງ Q ເທື່ ົາ 0. ຫຼງັ ຈາກນນັໍ້ ຄາ່ື ເລື່ ມີ ຕນໍ້ົ ຂອງ Q ຈະຖກນາໃຊເໍ້ ຂົາ້ໍ ໃນໂມເດວ ເພ່ື ອປະເມນີ ຄາື່ ຂອງ Q ຕວົ ໃໝ,ື່ ຂະບວນການຈະສບຕື່ ເນື່ອງກບັ ທກຸ ໆໂໜດອອມ້ໍ ຂາໍ້ ງໃນເຄື່ ອຂາ່ື ຍຈນົ ກວ່ື າຮອບວຽນຈະສນໍ້ີ ສດຸ .ໃນນໂໍ້ີ ໜດ ອອມໍ້ ຂາໍ້ ງທື່ ີມຄີ າ່ື ຂອງລາງວນັ ແລະ Q ໃຫຍື່ ຫຼ ດສີ ດຸ ຈະຖກ ເລອກໃຫເໍ້ ປນັ ໂໜດສື່ງົ ຜາື່ ນຂມໍ້ ນູ , ການການດົ ເສັໍ້ນທາງຖກນາສະເໜີໃນປີ 1994 ໂດຍ Q_Routing ຖກນາໃຊເ້ໍ ປັນ Application ຂອງ Packet Routing Based On Q-Learning ວທິ ີການນສ້ໍີ ະແດງໃຫເໍ້ ຫັນ ເຖງິ ປະສິດທິພາບທື່ ີດຂີ ນໍຶ້ ເມ່ືອປຽບທຽບກບັ Algorithm ທື່ ີບື່ ສາມາດປບັ ປືຽ່ ນໄດ,ໍ້ ໂດຍອງີ ໃສເື່ ສັນໍ້ ທາງທ່ື ີ ສນັໍ້ ທື່ ີສດຸ ທ່ື ີໄດຄ້ໍ ານວນຄດິ ໄລລື່ ວ່ື ງໜາໍ້ , ເນອໍ້ ແທຂໍ້ ອງ Q_Routing ແມນື່ ການປະມວນຜນົ ກະທບົ ຂອງ ການການດົ ເສັນໍ້ ທາງຕື່ ກບັ ການວດັ ປະສິດທິພາບສື່ງົ ຂມໍ້ ນູ ທື່ ີຕອໍ້ ງການໂດຍການກວດສອບເສັນ້ໍ ທາງ ຕາື່ ງໆຢໃ່ືູ ນຂນັ້ໍ ຕອນຂອງການສາຫຼວດ ເເລະ ການນາໃຊເ້ໍ ສັໍ້ນທາງທ່ື ີດທີ ່ື ີສດຸ ທ່ື ີຄນໍ້ົ ພບົ ໃນຄະນະຂອງ ການຄນໍ້ົ ຫາ (Rovira-Sugranes, Afghah, Qu, & Razi, 2021). 2.1.8 ໂປຣເເກຣມ Simulation Of Urban Mobility (SUMO) SUMO ໄດເໍ້ ລື່ ມີ ຈດັ ຕງັໍ້ ປະຕິບດັ ໃນປີ 2001 ໂດຍມກີ ານເປີດຕວົ Open Source ໃນປີ 2002 SUMO ເປັນເຄ່ື ອງມໃນການຈາລອງເຫດການການຈາລະຈອນໂດຍມກີ ານການດົ ຍານພາຫະນະທື່ ີຊດັ ເຈນ, ການການດົ ຢາ່ື ງໜອ້ໍ ຍຄວນລະບຕຸ ວົ ຕນົ , ການດົ ເວລາລດົ ເເລນື່ ເເລະ ເສັໍ້ນທາງລດົ ທື່ ີຜາື່ ນເຄອ ຂາ່ື ຍ, ໂດຍສາມາດອາທິບາຍລາຍລະອຽດຄນຸ ສມົ ບດັ ກຽື່ ວກບັ ຂາອອກຂາເຂົາ້ໍ ຂອງຍານພາຫະນະເເຕລື່ ະ ຄນັ ໄດເ້ໍ ຊື່ ັນ: ການດົ ເສັໍ້ນທາງທ່ື ີຈະໃຊຄ້ໍ ວາມໄວ ຫຼ ການການດົ ຕາເເໜງື່ ກື່ສາມາດການດົ ໄດ,ໍ້ ສະເເດງ ຕວົ ຢາ່ື ງດງື່ ັ ຮບູ ທີ 2. 7 (Behrisch, Bieker, Erdmann, & Krajzewicz, 2011). SUMO ຊວ່ື ຍໃຫສ້ໍ າມາດ ສາ້ໍ ງເເບບຈາລອງຂອງລະບບົ ການຈາລະຈອນໃນຮບູ ເເບບລວມ ພອ້ໍ ມທງັ ພາຫະນະທາງບກົ , ລະບບົ ຂນົ້ໍ ສື່ງົ ເເລະ ຄນົ ຕາມຖະໜນົ ຫນົ ທາງ ລວມໃນໂປຣເເກຣມ SUMO ທງັ ເປັນເຄ່ື ອງມ ໃນການສະໜບັ ສະ ໜນູ ໃນການຈດັ ການກບັ ວຽກງານຫຼາຍດາ້ໍ ນເຊັໍ້ນ: ການຄນົ້ໍ ຫານເສັ້ໍນທາງ, ການສາໍ້ ງສະພາບສື່ ງິ ເເວດ ລອ້ໍ ມພອໍ້ ມເສັໍ້ນທາງໃນການນາເຂົ້ໍາໄປໃນລະບບົ ເຄອຂາ່ື ຍ ເເລະ ການຄານວນຕາື່ ງໆ. SUMO ສາມາດ 15

ປບັ ປງຸ ດວ້ໍ ຍຮບູ ເເບບທ່ື ີການດົ ເອງໄດ້ໍ ເເລະ ກະກຽມ API ຕາ່ື ງໆເພ່ື ອຄອບຄມຸ ການຈາລອງຈາກໄລຍະ ໄກ. ໃນການສາ້ໍ ງເເບບຈາລອງການຈາລະຈອນຂອງຍານພາຫະນະໃນ SUMO ນາໃຊເໍ້ ຄ່ື ອງມເຊື່ ັນ: \"net convert\": ສາມາດນາເຂາົໍ້ ເຄອຂາື່ ຍເສັ້ໍນທາງຈາກແຫຼງ່ື ຕາ່ື ງໆ(OpenStretMap.org) ແລະ ສາໍ້ ງ ເຄອຂາື່ ຍເສັ້ໍນທາງທ່ື ີສາມາດໃຊໃໍ້ ນ SUMO ມນັ ຈະລະບໂຸ ໜດ , ຈດຸ ເຊື່ ອມຕ່ື , ສນັ ຍານ ເເລະ ອື່ ນໆ ທງັ ສາ້ໍ ງຟາຍເຄອຂາື່ ຍທື່ ີສາມາດເຂົາ້ໍ ກນັ ໄດກ້ໍ ບັ ໂປຣເເກຣມ SUMO. \"Poly Convert\" ການນາຮບູ ເເບບ ທາງເລຂາຄະນດິ (ຮບູ ຫຼາຍຫຼຽ່ື ມ-ອາຄານ) ຈາກເເຫຼງ່ື ຕາື່ ງໆເເລວ້ໍ ປື່ຽນພວກມນັ ໃຫສ້ໍ ະເເດງພາບອອກ ໃນ SUMOGUI. ເເລະ \"RandomTrips.py\" ຖກໃຊເໍ້ ພ່ື ອສາໍ້ ງເສັ້ໍນທາງສມຸ່ື (Deshmukh & Dorle, 2016). ຮບູ ທີ 2. 7 ຮບູ ພາບຈາລອງເຫດການການຈະລາຈອນໃນຖະໜນົ SUMO 2.1.9 ເຄື່ ຶອງມສື່ ສານ Network SimulatorVersion2 ( NS2 ) Network Simulator (Version 2) ຫຼ ຮຈູໍ້ ກັ ຢາ່ື ງເເຜຫ່ື ຼາຍໃນນາມ NS2 ເປັນເຄ່ື ອຶ ງມໃນ ການຈາລອງລະບບົ ສ່ື ສານການຈາລອງ functions ເເລະ protocols ໃນຮບູ ເເບບທື່ ີມສີ າຍ ເເລະ ບ່ື ມີ ສາຍ ເຊື່ ັນ: Algorithms ການການດົ ເສັ້ໍນທາງ, TCP, UDP ສາມາດເຮດັ ໄດໂ້ໍ ດຍເຄ່ື ອງມ NS2 (VONGPASITH Phouthone 2017). ເບ້ໍອງຕນ້ົໍ ທ່ື ີສາມາດຈາລອງໂໜດທ່ື ີໃຊສໍ້ າລບັ ໃນການເຊ່ື ອມຕື່ ຕາ່ື ງໆສາລບັ ລະບບົ ສື່ ສານ ເເລະ ນາມາໃຊໃໍ້ ນການຈາລອງສະຖານະການຕາື່ ງໆ ຂອງການສ່ື ສານ ເເບບບື່ ມສີ າຍ ໂດຍ NS-2 ຖກພດັ ທະນາຕື່ ຍອດມາຈາກ NS-1 ເຊ່ື ງິ ມກີ ານພດັ ທະນາໃນການເພໍີມ້ Module ຕາື່ ງໆເຂ້ໍາົ ມາເພື່ ອຮອງຮບັ ການໃຊງ້ໍ ານສາລບັ ປດັ ຈບຸ ນັ . ໃນພາກສວື່ ນຕາື່ ງໆຂອງ NS2 ຈະ 16

ປະກອບມີ ເຄື່ ອງຈາລອງເເຕລ່ື ະອນັ ທ່ື ີໃຊເ້ໍ ພື່ ອການທດົ ສອບ ( Test ) ເເຕລື່ ະປະເພດຂອງລະບບົ ສ່ື ສານ ດວໍ້ ຍໂຕມນັ ເອງ ເເລະ ໃນການຈາລອງກື່ຈະມກີ ານ Run ຜາື່ ນ Command,ໃນການ Run ຜາື່ ນ Command ກ່ືຈະໃຊໄ້ໍ ດສ້ໍ ອງວທີ ີໂດຍການໃຊເໍ້ ຄ່ື ອງມຈາລອງ Animation ໃຫເ້ໍ ຫັນເປນັ ພາບເຄ່ື ອນໄຫວ ອອກມາໃຫເ້ໍ ຫັນຕາມ Code ທື່ ີໄດຂ້ໍ ຽນຂນຶ້ໍ ມາເອງ ເເລະ ອກີ ໜ່ື ຶງວທີ ີຄ: ເມ່ືອ Run ສາເລັດເເລວ້ໍ ບນັ ທຶກ ເປັນໄຟຣ XML ໄປ Run ໃນ NetAnim ສະເເດງຕວົ ຢາື່ ງດງ່ື ັ ຮບູ ທີ 2. 8 (Issariyakul & Hossain, 2012). ຮບູ ທີ 2. 8 ຮບູ ພາບຈາລອງໂປຣເເກຣມ NS2 ໃນການການດົ ໂໜດໃນລະບບົ Network 2.2 ທບົ ທວນບດົ ຄນົ້ໍ ຄວາໍ້ ວທິ ະຍາສາດທື່ ີກຽື່ ວຂອ້ໍ ງ ທາື່ ນ VONGPASITH Phouthone (2017). ໄດສໍ້ ກຶ ສາຫວົ ຂ:ໍ້ Optimal Next-hop Selection Algorithms for Geographic Routing Protocols in Vehicular Networks. ນາສະເໜີໃນການຈາລອງ ເເລະ ການວເິ ຄາະ Routing Protocols for Vanet ຂອງຍານພາຫະນະ, ນກັ ຄນົ້ໍ ຄວໍ້ າໄດອໍ້ ອກເເບບ algorithm ONSA-SM, ONSA-MDM, ONSA-PDM, ONSA-HM ໃນການປຽບທຽບການສື່ ສານ ການຮບັ ສື່ງົ ຂມ້ໍ ນູ ຂອງຍານພາ ຫະນະໂດຍການນາໃຊເໍ້ ຄື່ ອງມ VanetMobiSim ໃນການຈາລອງ ເຫດການການຈະລາຈອນໃນທອ້ໍ ງຖະໜນົ ເເລະ ນາໃຊເໍ້ ຄ່ື ອງມ Ns 2 ໃນການປະມວນຜນົ ເເລະ ຈາ ລອງ Model ໃນການສ່ື ສານສື່ງົ ຂມໍ້ ນູ ເເພັກເກດັ ຈາກໂໜດຕນໍົ້ ທາງ ຫາ ໂໜດປາຍທາງ, ຜນົ ຂອງການ ສກຶ ສາພບົ ວາື່ ວທິ ີການຂອງ ONSASM ສາມາດບນັ ລຜຸ ນົ ໄດດ້ໍ ກີ ວາ່ື ໃນດາ້ໍ ນຂອງອດັ ຕາສວ່ື ນໃນການ ຈດັ ສື່ງົ ຂມ້ໍ ນູ ເເພັກເກດັ , ມກີ ານເພື່ ມີ ຂນ້ໍຶ 11,59%, 7,48%, ແລະ 9,98%. ທາ່ື ນ Yang, X. Y., Zhang, W. L., Lu, H. M., & Zhao, L. (2020). ໄດນ້ໍ າສະເໜີຫວົ ຂກ້ໍ ຽື່ ວກບັ V2V Routing in VANET Based 17

on Heuristic Q-Learning .ໃນບດົ ຄນໍົ້ ຄວ້ໍ າດງື່ ັ ກວ່ື າເພື່ ນີ ໄດນໍ້ າໃຊເໍ້ ຕັກນກິ Q-Learning ເພ່ື ອປບັ ປງຸ ຊອ່ື ງສ່ື ສານເເບບ Vehicle to Vehicle (V2V) ໃນ VANET ເພ່ື ນີ ໄດອໍ້ ອກເເບບຊອື່ ງສສ້ໍ ານໂດຍສາ້ໍ ງໂມ ເດວ Q ເເລະ ໂມວເດວ R ເພື່ ອຊອກຫາຄາື່ ຂອງ Q ອງີ ໃສຄ່ື າື່ ຂອງ Reward ທ່ື ີເໝາະສມົ ທ່ື ີສດຸ ເພື່ ອ ເລອກໂໜດອອມ້ໍ ຂາ້ໍ ງທື່ ີມຄີ ວາມໜາ້ໍ ເຊື່ ອຖໃນການສ່ືງົ ຜາື່ ນຂມໍ້ ນູ ໄປເຖງິ ໂໜດປາຍທາງ ຫຼງັ ຈາກນນັ້ໍ ນາ ມາວດັ ປະສດິ ທິພາບກບັ ຊອື່ ງສ່ື ສານໃນບດົ ຄນົໍ້ ຄວ້ໍ າທ່ື ີກຽ່ື ວຂອງ. ທາ່ື ນ. Jung, W. S.,ພອ້ໍ ມຄະນະ (2017) ໄດສ້ໍ ກຶ ສາຫວົ ຂໍ້ Q-Geo: Based Geographic Ad Hoc Routing Protocol for Unmanned Robotic Networks ບດົ ນເໍີ້ ເມນື່ ໄດນໍ້ າສະເໜີກຽ່ື ວກບັ ຊອື່ ງທາງການສື່ ສານໃນລະບບົ ເຄອຂາື່ ຍໃໝື່ ທື່ ີໃຊໍ້ ການການດົ ຊອ່ື ງທາງສນັ ຍານໃນເເບບ Q-Learning based geographic routing (Q-Geo) ເພ່ື ອປບັ ປງຸ ປະສດິ ຕິພາບເຄອຂາື່ ຍຂອງຫນ່ືຸ ຍນົ ທື່ ີບ່ື ມຄີ ນົ ຂບັ , ເຄອຂາື່ ຍທື່ ີໄວ ເເລະ ມຄີ ວາມເຊ່ື ອຖໄດເ້ໍ ເມນ່ື ມີ ຄວາມຈາເປັນສາລບັ ການຄອມຄມຸ ເເລະ ຕິດຕາມ, ຜນົ ການສກຶ ສາມກີ ານປະເມນີ ປະສດິ ຕພິ າບຜນົ ການ ເຮດັ ວຽກຂອງ (Q-Geo) ໂດຍປຽບທຽບກບັ ວທິ ີການອ່ື ນໆ ໂດຍນກັ ຄນໍົ້ ຄວ້ໍ ານາໃຊໂ້ໍ ປຣເເກຣເຄື່ ອງມ NS3 ໃນການຈາລອງ Model ,ຜນົ (Q-Geo) ທື່ ີໄດຮ້ໍ ບັ ເຫັນວາ່ື ມອີ ດັ ຕາສວ່ື ນໃນການສື່ງົ ເເພັດເກດັ ສງູ ກວາ່ື . ເເລວໍ້ ທາື່ ນ Mili, R., ເເລະ Chikhi, S. (2018, November). ໄດສ້ໍ ກຶ ສາຫວົ ຂ້ໍ Reinforcement Learning Based Routing Protocols Analysis for Mobile Ad Hoc Networks. ໄດນໍ້ າສະເໜີ ວທິ ີ ການການດົ ຫາຊອື່ ງສນັ ຍານໂດຍໃຊວ້ໍ ທີ ີການຮຽນຮເູໍ້ ເບບ Q-Learning ນກັ ຄນ້ົໍ ຄວໍ້ າໄດອໍ້ ອກເເບບນາ ເອົາສອງ algorithm ຄ: EQAODV ເເລະ AODVSARSA ມາປຽບທຽບອດັ ຕາສວ່ື ນໃນການສື່ງົ ເເພັກ ເກດັ ຈາກໂໜດຕນໍົ້ ທາງ ຫາ ໂໜດ ປາຍທາງ, ອດັ ຕາຄວາມໄວຄາື່ ຕາື່ ສດູ ຫາ ຄາື່ ສງູ ສດຸ , ອດັ ຕາສວ່ື ນ ຄວາມໜາເເໜນໍ້ ຂອງໂໜດ, ຜນົ ການສກຶ ສາເຫັນວາ່ື Algorithm EQAODV ມປີ ະສດິ ຕິພາບດກີ ວື່ າ algorithm AODVSARSA ໃນການຈາລອງ Model ທງັ ໝດົ . ຈາກນນັໍ້ . ທາ່ື ນ Chen, Y. N., ພອໍ້ ມ ຄະນະ (2020) ກ່ືສຶກສາຫວົ ຂ:້ໍ A traffic aware Q-network enhanced routing protocol based on GPSR for unmanned aerial vehicle ad hoc networks. ນາສະເໜີ unmanned aerial vehicle(UVA) ໃນການປບັ ຄວາມສມົ ດນຸ ການຮບັ ສື່ງົ ຂມ້ໍ ນູ . ໄດປ້ໍ ະເມນີ ຄນຸ ນະພາບຂອງການເຊື່ ອມຕ່ື ເເບບບບື່ ມສີ າຍ ໂດຍລະບບົ Q-network algorithm ວທິ ີການຮຽນຮເູໍ້ ເບບເສມີ ສາໍ້ ງ, ນກັ ຄນໍົ້ ຄວ້ໍ າໄດຈ້ໍ າລອງການເຮັດ ວຽກຂອງຊອ່ື ງທາງສ່ື ສານ TQNGPSR ປຽບທຽບກບັ ການເຮັດວຽກຊອ່ື ງສ່ື ສານຂອງ AODV, OLSR, GPSR ເເລະ QNGPSR. ຜາື່ ນຜນົ ການຈາລອງສະເເດງໃຫເໍ້ ຫັນວາື່ TQNGPSR ໄດຮໍ້ ບັ ອດັ ຕາສວື່ ນໃນ ການສື່ງົ ເເພັກເກດັ ທ່ື ີສງູ ຂນຶ້ໍ ເເລະ ຄວາມຫລາໍ້ ຊາ້ໍ ໃນການສ່ືງົ ຂມໍ້ ນູ ຈາກໂໜດຕນໍ້ົ ທາງ ຫາ ໂໜດປາຍ ທາງດກີ ວາ່ື GPSP ເເລະ QNGPSR ໃນສະຖານະການທ່ື ີມຄີ ວາມໜາໍ້ ເເໜນໍ້ ຂອງໂໜດ ເເລະ ມນັ ຍງັ ມີ ປະສິດຕິພາບດກີ ວ່ື າ AODV ກບັ OLSR ໃນອດັ ຕາສວ່ື ນຄວາມຫລາໍ້ ຊາ້ໍ ເເລະ ປະລິມານໃນການສື່ງົ ຂໍ້ ມນູ ເເພັກເກດັ ຈາກໂໜດຕນົໍ້ ທາງສໂູື່ ໜດປາຍທາງ. ນອກຈາກນນັໍ້ ທາື່ ນ Shajin, F. H. ເເລະ Rajesh, 18

P. (2020). ຈດຸ ປະສງົ ຂອງນກັ ຄນໍ້ົ ຄວໍ້ າເເມນື່ ເພ່ື ອປະເມນີ , ຄານວນຫາຄາ່ື ຄວາມໜາ້ໍ ເຊື່ ອຖ ໂດຍກງົ ຂອງ ເເຕລ່ື ະໂໜດ ເເລະ ການດົ ສອື່ ງສື່ ສານທື່ ີມຄີ ວາມປອດໄພໃນການສື່ງົ ຂມ້ໍ ນູ ລະຫວາ່ື ງຜຮໍູ້ ບັ ກບັ ຜສ້ໍູ ່ືງົ , ດງື່ ັ ນນັໍ້ ນກັ ຄນໍົ້ ຄວ້ໍ າຈ່ືງຶ ໄດນ້ໍ າສະເໜີຫວົ ຂ້ໍ Trusted Secure Geographic Routing Protocol: outsider attack detection in mobile ad hoc networks by adopting trusted secure geographic routing protocol ( TSGRP ) ຄການຊອກຄນົໍ້ ຫາການໂຈມຕີ ຫຼ ປໍ້ອງກນັ ການເເຮກເກ້ໍີ ຈາກພາຍນອກເຄອຂາື່ ຍ ຂອງການໂຄສະນາທາງມຖ ໂດຍມກີ ານການດົ ຮບັ ຮອງເອົາຊອ່ື ງທາງສ່ື ສານທ່ື ີມຄີ ວາມປອດໄພ ເເລະ ໜາໍ້ ເຊື່ ອຖ.TSGRP ເເມນ່ື ຈະຖກປະມວນຜນົ ໂດຍການຈາລອງໃນເຄື່ ອງມ NS2 ,ນາໃຊ້ໍ Q-Learning ວທິ ີການຮຽນຮຂູ້ໍ ອງເຄື່ ອງໃນການການດົ ຊອ່ື ງທາງສື່ ສານໃໝ.ື່ ຜນົ ໄດຮ້ໍ ບັ ຈາກການຈາລອງ ແມນ່ື 92% ທາື່ ນ. Lai, W. K.ພອ້ໍ ມຄະນະ (2015). ກື່ໄດນ້ໍ າສະເໜີລະບບົ ຂມ້ໍ ນູ ເສັ້ໍນທາງ machine learning assisted route selection (MARS) ນກັ ຄນ້ໍົ ຄວ້ໍ າໄດນ້ໍ າໃຊ້ໍ RSUs ເເລະ machine learning ເພ່ື ອຮກັ ສາ ຂມ້ໍ ນູ ກຽ່ື ວກບັ ຖະໜນົ . MARS ສາມາດຄາດຄະເນການເຄ່ື ອນໄຫວຂອງຍານພາຫະນະ ແລະ ຫຼງັ ຈາກ ນນັ້ໍ ເລອກເສັນ້ໍ ທາງທື່ ີເໝາະສມົ ເເລະ ມຄີ ວາມສາມາດໃນການສ່ືງົ ຂມໍ້ ນູ ເເພັກເກດັ ທື່ ີສງູ ຂນ້ໍຶ . ຍື່ ງິ ໄປກວາ່ື ນນັ້ໍ , MARS ສາມາດຊວື່ ຍໃນການຕດັ ສິນໃຈທິດທາງໃນການສ່ືງົ ຕ່ື ລະຫວາ່ື ງສອງ RSU. ວທິ ີການດງື່ ັ ກວື່ າສາມາດສາ້ໍ ງຂມໍ້ ນູ ການຈະລາ ຈອນເເບບ Real Time ທື່ ີມຄີ ວາມສມົ ບນູ ຫຼາຍຂນໍ້ຶ ເເລະ ໃຫຂໍ້ ມ້ໍ ນູ ທ່ື ີເໝາະສມົ ສາລບັ VANET. ຜນົ ການຈາລອງເເມນ່ື ມປີ ະສດິ ຕພິ າບທ່ື ີດຂີ ນ້ໍຶ ເເຕມ່ື ນັ ກ່ືຂນ້ຶໍ ກບັ ຄວາມໜາ ເເໜນໍ້ ຂອງຍານພາຫະນະທ່ື ີເເຕກຕາື່ ງກນັ . ນອກຈາກນນັ້ໍ ການປື່ຽນເເປງຂອງ V2V ມຜີ ນົ ກະທບົ ຂອ້ໍ ນ ຂາໍ້ ງທື່ ີຈະຕາື່ ຕື່ ການປະຕບິ ດັ ງານຂອງ (MARS). Protocol ທື່ ີນາມາໃຊມ້ໍ ຄີ ວາມໜາ້ໍ ເຊື່ ອຖ ເເລະ ມີ ປະສິດຕິພາບດຂີ ນໍ້ຶ ສາລບັ ການສ່ືງົ ຂມໍ້ ນູ ໃນ VANET ທ່ື ີມຍີ ານພາຫະນະມຄີ ວາມເຄື່ ອນທ່ື ີສງູ , ດວໍ້ ຍເຫດ ນນັ້ໍ VANET ລວມກບັ Machine Learning ສາມາດປບັ ປງຸ ປະສິດຕິພາບການເດນີ ທາງໄດດໍ້ ຂີ ນ້ໍຶ ເເລະ ທາື່ ນ. Mahmoud, M. ເເລະ AlKhasawneh, M. A. (2020). ນາສະເໜີ Protocol ໃນການການດົ ຊອ່ື ງ ທາງການເຊື່ ອມຕື່ ລະຫວາ່ື ງໂໜດ ຫາ ໂໜດໃນເເບບ Greedy ສາລບັ ເຄອຂາື່ ຍ Vehicular Networks, ນກັ ຄນ້ໍົ ຄວ້ໍ າໄດນໍ້ າໃຊໍ້ VanetMobiSim ໃນການຈາລອງ Model ເຫດການການສນັ ຈອນຂອງ ຍານພາຫະນະ ເເລະ ປະມວນຜນົ ດວ້ໍ ຍເຄື່ ອງ NS2. ນກັ ຄນ້ໍົ ຄວ້ໍ າໄດອ້ໍ ອກເເບບ algorithm ເພື່ ອຫາ ຊອື່ ງທາງສື່ ສານຈາກໂໜດ ຕນໍົ້ ທາງ ຫາ ໂໜດປາຍທາງ ໂດຍປະເມນີ ປະສດິ ຕພິ າບ GIRS ເຊ່ື ງິ ໄດນ້ໍ າ ໄປປຽບທຽບກບັ protocol ໃນການການດົ ເສັໍ້ນທາງ GPSR, GPCR ເເລະ GPSRJ+. ທາື່ ນ Aljabry, I. A., AlSuhail, G. A., & Jabbar, W. A. (2021, November). ໃນບື່ ເທ່ື ົາໃດປີທື່ ີຜາ່ື ນມາ ເທັກໂນໂລ ຊໃີ ໝທ່ື ່ື ີເອນໍ້ີ ວາື່ VANET (Vehicular Ad hoc Networks) ໄດຖ້ໍ ກແນະນາໃນເມອງອດັ ສະລິຍະ ແລະ ໂດຍສະເພາະໃນລະບບົ ການຂນົ ສ່ືງົ ອດັ ສະລິຍະ (ITS).ເທັກໂນໂລຢີ VANET ໂດຍມNີ odeທື່ ີເຮັດໜາໍ້ ທື່ ີຄາໍ້ ຍຄກບັ ຍານພາຫະນະໂດຍບື່ ຈາເປັນຕອໍ້ ງໃຊເໍ້ ຄ່ື ອງຄອບຄມຸ ໃດໆ, ໂດຍການສາ້ໍ ງລງ້ີໍ ເເບບບ່ື ມສີ າຍ 19

ລະຫວາ່ື ງກນັ ຊວ່ື ຍໃຫຍໍ້ ານພາຫະນະສາມາດສ່ືງົ ຮບັ ຂມໍ້ ນູ ລະຫວາ່ື ງກນັ ໄດ້ໍ VANET ສວ່ື ນໃຫຍໃື່ ຊໍ້ Protocolການການດົ ເສັນໍ້ ທາງຕາມສະຖານທື່ ີຍອ້ໍ ນວາ່ື ມນັ ມອີ ປຸ ະກອນ GPS. ເພື່ ອແກໄໍ້ ຂບນັ ຫາຂອງ ລະບບົ VANET, Geographic Perimeter Stateless Routing (GPSR), ເຊ່ື ງິ ໄດຖ້ໍ ກນາສະເຫນຢີ າ່ື ງ ກວາ້ໍ ງຂວາງ. ທາ່ື ນ Aljabry, I. A., AlSuhail, G. A., & Jabbar, W. A. (2021, November). ສກຶ ສາ ຫວົ ຂ້ໍ A Fuzzy GPSR Route Selection Based on Link Quality and Neighbor Node in VANET. ບດົ ຄນ້ົໍ ຄວໍ້ ານແໍີ້ ນະນາລະບບົ ການຄວບຄມຸ ດວໍ້ ຍເຫດຜນົ fuzzy ອດັ ສະລຍິ ະທ່ື ີມປີ ະສດິ ທິພາບ. ເອນີໍ້ ວາື່ FLQN GPSR routing protocol, protocol routing protocol ລວມມສີ ອງຕວົ ຊບໍ້ີ ອກຄນຸ ະພາບຂອງ link ແລະ ໂໜດໃກຄ້ໍ ຽງເພ່ື ອກວດຫາໂໜດ next-hop ທ່ື ີດທີ ື່ ີສດຸ ສາລບັ ການສື່ງົ ຕ່ື packet.ໂດຍເພມ້ໍີ ຊອ່ື ງ ຂມໍ້ ນູ ທິດທາງເພື່ ອໃຫເໍ້ ຫມາະສມົ ກບັ ການຈາລອງຂອງພວກເຮາົ ຫຼາຍຂນຶໍ້ . ເຄື່ ອງມຈາລອງ OMNet ++ ແລະ SUMO ໄດຖ້ໍ ກນາໃຊເໍ້ ເບບຄວບຄເູື່ ພື່ ອຕິດຕາມສະພາບແວດລອໍ້ ມພາຍໃນລະບບົ VANET. ຜນົ ໄດຮໍ້ ບັ ຈາກການທດົ ລອງທງັ ສື່ ຊີ ອ່ື ງສື່ ສານທ່ື ີນາມາປະເມນີ ປະສດິ ທິພາບໃນສະພາບເເວດລອ້ໍ ມໃນເມອງ ຊໃໍີ້ ຫເ້ໍ ຫັນເຖງິ ຄວາມສາຄນັ ຂອງການປບັ ປງຸ ການປະຕິບດັ ໃນລະບບົ ເຄອຂາ່ື ຍຍານພາຫະນະເມື່ອທຽບ ກບັ GPSR ແລະ AODV ທ່ື ີກຽື່ ວຂອ້ໍ ງກບັ ພາລາມເິ ຕີ QoS 2.3 ຂອບເຂດແນວຄວາມຄດິ 1. ອອກແບບຂນັໍ້ ຕອນວທິ ີຂອງຊອ່ື ງສ່ື ສານໃນເຄ່ື ອຂາ່ື ຍຍານພາຫະນະດວ້ໍ ຍເຕັກນກິ Deep Learning 2. ພດັ ທະນາ ເເລະ ປບັ ປງຸ ຂນັໍ້ ຕອນວທິ ີຂອງຊອື່ ງທາງໃນເຄ່ື ອຂາ່ື ຍຍານພາຫະນະໃນຮບູ ເເບບຍານພາຫະ ນະ ກບັ ຍານພາຫະນະ V2V (Vehicle to Vehicle). 3. ການທດົ ລອງຂນັ້ໍ ຕອນວທິ ີ ຂອງຊອື່ ງສ່ື ສານໃນເຄື່ ອຂາື່ ຍຍານພາຫະນະເເມນື່ ຕງັ້ໍ ຄາື່ ຕວົ ປຽ່ື ນການທດົ ລອງໃຫມ້ໍ ຄີ ວາມຫຼາກຫຼາຍ ເເລະ ສມົ ຈງິ , ໂດຍການຈາລອງເຄື່ ອຂາື່ ຍຍານພາຫະນະໃນ ຂອບເຂດນະຄອນຫຼວງວຽງຈນັ ດວໍ້ ຍເຕັກນກິ ໂລຊເີ ຊື່ ັນ: SUMO, NS2. 4. ວເິ ຄາະ ແລະ ປະເມນີ ປະສດິ ຕິພາບຂອງຂນັໍ້ ຕອນຂອງຊອື່ ງສື່ ສານດວ້ໍ ຍການສມົ ທຽບ ເເລະ ວດັ ເເທກຄາື່ ຕາ່ື ງໆເຊັໍ້ນ: ອດັ ຕາສວື່ ນການສ່ືງົ ຂມໍ້ ນູ (Packet delivery ratio), ປະລິມານໃນການ ສ່ືງົ ຂມໍ້ ນູ (Throughput), ຄວາມຫຼາໍ້ ຊາໍ້ ໃນການສ່ືງົ ຂມ້ໍ ນູ ຜາ່ື ນເເຕຕື່ ນ້ົໍ ທາງເຖງິ ປາຍທາງໂດຍສະເລຍ່ື (Average End to End delay). 20

2.4 ນຍິ າມຄາສບັ ໃນທາງປະຕບິ ດັ 1. Vehicular Ad Hoc Network: VANETs ເເມນື່ ເຄອຂາ່ື ຍທ່ື ີຍານພາຫະນະສາມາດເຄ່ື ອ ທ່ື ີ ເເລະ ສື່ ສານກນັ ໄດຢ້ໍ ່າື ງອດິ ສະລະໂດຍນາໃຊເ້ໍ ຕັກໂນໂລຢີການສ່ື ສານເເບບບ່ື ມສີ າຍເຊ່ື ັນ: IEEE 802.11b IT. 2. V2V (Vehicle to Vehicle Communication System) ເປນັ ການສ່ື ສານລະຫວາື່ ງ ຍານພາຫະນະກບັ ຍານພາຫະນະ, ມບີ ດົ ບາດສາຄນັ ທາງດາໍ້ ນຄວາມປອດໄພເຊື່ ັນ: ການເເຈງໍ້ ເຕອນ ທາງດາໍ້ ນຂມໍ້ ນູ ການຈາລະຈອນເພື່ ອຄວາມປອດໄພ, ການເເຈງໍ້ ເຕອນອປຸ ະສກັ ໃນຖະໜນົ ຫນົ ທາງ, ການ ເເຈງໍ້ ເຕອນເຫດການລວ່ື ງໜາໍ້ ອາດຈະເກດີ ອປຸ ະຕິເຫດ ເເລະ ອື່ ນໆ. 3. Reactive Routing Protocols ເເມນ່ື ຊອ່ື ງສື່ ສານຄນົໍ້ ຫາເສັໍນ້ ທາງເເບບຮອງຮບັ , ມນັ ຖກ ອອກແບບມາ ເພື່ ອບນັ ລກຸ ານສນູ ເສຍພະລງັ ງານໃນໄລຍະທາງໜອ້ໍ ຍລງົ ໂດຍໃຊ້ໍ Vector ບອກໄລຍະ ທາງ ເເລະ ຈະບອກຕາເເໜງື່ ຂອງໂໜດເປົາໍ້ ໝາຍ. 4. AODV (Ad Hoc On Demand Distance Vector) ເເມນື່ ຊອ່ື ງສ່ື ສານໂດຍໂໜດຕນັໍ້ ທາງ ຈະຊອກຫາເສັໍ້ນທາງ ທ່ື ີຍງັ ວາື່ ງເພື່ ອສ່ືງົ ຂມໍ້ ນູ ໄປຫາໂໜດປາຍທາງ. 5. Proactive Routing Protocols ເເມນ່ື ຊອ່ື ງສ່ື ສານຄນົ້ໍ ຫາເສັນໍ້ ທາງເເບບການເຄ່ື ອນໄຫວ ໂດຍໃຊຕໍ້ າຕະລາງໃນການຄນ້ໍົ ຫາເສັໍນ້ ທາງໃນການຂບັ ຂື່ ີ 6. DSDV (Vector Direction Distance Vector) ເເມນ່ື ຊອ່ື ງສ່ື ສານ ຊື່ ງເປນັ ຂນັໍ້ ຕອນວທິ ີ ໃນການສ່ືງົ ສນັ ຍານໜື່ ຶງທີນຍິ ມົ ໃຊໃໍ້ ນການທດົ ລອງໃນເຄອຂາ່ື ຍຍານພາຫະນະVANETs. 7. GPSR (Greedy Perimeter Stateless Routing) ເເມນ່ື ຊອ່ື ງສ່ື ສານໂດຍໂໜດແຕລື່ ະຕວົ ໃນລະບບົ ເຄື່ ອຂາ່ື ຍຈະປະກອບມຕີ າຕະລາງຂມ້ໍ ນູ ຂອງໂໜດອອໍ້ ມຂາ້ໍ ງເຊ່ື ັນ: ລະຫດັ , ທື່ ີຕງັ້ໍ ເປນັ ຕນໍົ້ . 8. Q_Routing+R ເປັນຊອື່ ງສື່ ສານຂອງບດົ ຄນົ້ໍ ຄວໍ້ າດງື່ ັ ກວື່ າໂດຍການພດັ ທະນາ Model ຂອງ Reward ຂນ້ໍ ມາໃຫມື່ ເເມນື່ ເຮົາເອົາຄວາມໜາ້ໍ ເຊື່ ອຖຂອງຊອື່ ງສື່ ສານມາເປັນ Reward. 9. Deep Learning ເເມນ່ື ພາກສວື່ ນໜື່ ຶງຂອງ (Machine Learning) ເເລະ ປນັ ຍາປະດດິ ຂນັໍ້ ສງູ (AI) ໂດຍອງີ ໃສຄື່ ວາມຊບັ ຊອໍ້ ນຂອງເຄອຂາ່ື ຍປະສານທຽມ (Neural Network) ເພ່ື ອການຮຽນ ຮ.ູ້ໍ 10. Reinforcement Learning ເປັນການເສມີ ສາ້ໍ ງການຮຽນຮເູໍ້ ເມນື່ ການໃຊປ້ໍ ະໂຫຍດຈາກ ພດຕິກາໃນປະຈບຸ ນັ ເພ່ື ອສາໍ້ ງລາງວນັ ທ່ື ີດກີ ວ່ື າເກ່ື າົ ຫຼ ຈະສຽື່ ງຄນໍົ້ ຫາພດຕກິ າໃໝເ່ື ພື່ ອອາດຈະສາມາດ ໄດຮໍ້ ບັ ລາງວນັ ຍື່ ງິ ໃຫຍ່ື ກວ່ື າເກື່ າົ . 11. Q-Learning ເປັນສວ່ື ນໜ່ື ຶງຂອງ Reinforcement Learning ເຊ່ື ງຶ ເປນັ ການຮຽນຮໂູ້ໍ ດຍ ການໃຫຄ້ໍ າ່ື ຕອບເເທນເພື່ ອປບັ ປງຸ ພຶດຕິກາ ເເລະ ການກະທາ ເພື່ ອໃຫບ້ໍ ນັ ລເຸ ປາ້ໍົ ໝາຍທື່ ີຕອໍ້ ງການ. 21

12. Q-Routing ເປນັ ເຕັກນກິ ການປືຽ່ ນແປງຄາື່ ຂອງ Q-Learning ເພ່ື ອພດັ ທະນາການ ລະບບົ ການສ່ື ສານການສື່ງົ ຂມໍ້ ນູ ຜາື່ ນເຄ່ື ອຂາື່ ຍ. 13. Simulation Of Urban Mobility (SUMO) ເປນັ ເຄ່ື ອງມທື່ ີຊວື່ ຍໃນການຈາລອງ ເຫດການກຽ່ື ວກບັ ການຈາລະຈອນທາງດາໍ້ ນຄມົ ມະນາຄມົ ໂດຍມກີ ານການດົ ຍານພາຫະນະທື່ ີຊດັ ເຈນ. 14. Network SimulatorVersion2 (NS2) ເປນັ ເຄ່ື ອຶ ງມໃນການຈາລອງລະບບົ ສື່ ສານ, ຈາ ລອງ Functions ເເລະ Protocols ໃນຮບູ ເເບບທ່ື ີມສີ າຍ ເເລະ ບື່ ມສີ າຍ ເຊ່ື ັນ: Algorithms ການກາ ນດົ ເສັນໍ້ ທາງ, TCP, UDP ສາມາດເຮັດໄດໂໍ້ ດຍເຄ່ື ອງມ NS2. 15. OpenStreetMap (OSM) ຄໂຄງການຄວາມຮວື່ ມມເພື່ ອສາ້ໍ ງເເຜນທີຟີຣ ທ່ື ີສາມາດເເກ້ໍ ໄຂໄດ,ໍ້ ນກັ ພດັ ທະນາສາມາດນາຂມ້ໍ ນູ ໄປສາໍ້ ງເປນັ API ໂດຍບ່ື ມຄີ າ່ື ໃຊຈ້ໍ າ່ື ຍ ເເຕຕ່ື ອ້ໍ ງມກີ ານໃຫໍ້ Credit ເເລະ ເຮັດຕາມຂຕ້ໍ ກົ ລງົ ທ່ື ີການດົ ໄວ.້ໍ 16. Simulation Environment ສະພາບເເວດລອໍ້ ມຂອງການຈາລອງ ທື່ ີໃຊເໍ້ ພື່ ອຈາລອງ ເເລະ ປະເມນີ ປະສດິ ທິພາບຂອງຂນັ້ໍ ຕອນຕາ່ື ງໆ 17. Link Reliability ໝາຍເຖງິ ຄວາມໜາໍ້ ເຊ່ື ອຖຂອງ Link ຂອງການຈດັ ສ່ືງົ ຂມໍ້ ນູ ທື່ ີມີ ຄວາມໜາໍ້ ເຊ່ື ອງຖໃນລະບບົ ເຄອຂາ່ື ຍ, ເປັນສ່ື ງິ ຈາເປັນສາລບັ ຄວບຄມຸ ເຄອຂາື່ ຍເເບບບ່ື ມສີ າຍ. 18. Reward ເເມນ່ື ໝາຍເຖງິ ຄາ່ື ຕອບເເທນ ຫຼ ຄາ່ື ຂອງລາງວນັ 19. ໂໜດ (Node) ໝາຍເຖງິ ໂໜດຍານພາຫະນະຖກສາໍ້ ງຂນ້ໍ ເພ່ື ອການຈາລອງໃນການຮບັ ສ່ືງົ ສນັ ຍານໃນລະບບົ ເຄອຂາ່ື ຍ VANET. ໃນບດົ ຄນົໍ້ ຄວໍ້ າສະເໜີໃຫເ້ໍ ຫັນສາມໂໜດຫຼກັ ໆຄ: ໂໜດຕນົໍ້ ທາງໝາຍເຖງິ ໂໜດທື່ ີມຂີ ມ້ໍ ນູ ເພື່ ອຈດັ ສື່ງົ ຂມໍ້ ນູ ໄປຫາໂໜດປາຍທາງ, ໂໜດກາງໝາຍເຖງິ ໂໜດທ່ື ີຈະລາ ລຽງຂມນູ ຈາກໂໜດຕນ້ົໍ ທາງໄປຫາໂໜດປາຍທາງ, ໂໜດປາຍທາງລຖາໍ້ ຂມ້ໍ ທູ ່ື ີຈະຈດັ ສື່ງົ ຫາເເຕໂື່ ໜດຕນົໍ້ ທາງໂດຍຜາ່ື ນການລາລຽງຕາມໂໜດກາງ. 22

ພາກທີ 3 ວທິ ີການສກຶ ສາ 3.1 ການອອກແບບການສກຶ ສາ ການສກຶ ສາຄງັໍ້ ນຜີໍ້ ສ້ໍູ ກຶ ສາໄດສ້ໍ ະເເດງພາບລວມຂອງວທິ ີການຄນໍ້ົ ຄວໍ້ າຊື່ ງຶ ປະກອບດວ້ໍ ຍ 6 ພາກ ສວື່ ນ, ເຊ່ື ງິ ພາກສວ່ື ນທີ 1 ການອອກເເບບຂນັ້ໍ ຕອນວທິ ີຂອງຊອື່ ງສ່ື ສານໃນເຄ່ື ອຂາ່ື ຍຍານພາຫະນະດວ້ໍ ຍ ເຕັກ ນກິ Deep Learning ເປັນພາກສວື່ ນທື່ ີສາຄນັ ຕນໍ້ົ ຕ. ພາກສວ່ື ນທີ 2 ແມນື່ ພາກສວ່ື ນການກະກຽມຂໍ້ ມນູ ຂອງການຄນ້ໍົ ຄວ້ໍ າໃນຄງັ້ໍ ນ,ີໍ້ ຊື່ ງເເມນ່ື ຊຸດຂມ້ໍ ນູ ທື່ ີໄດມໍ້ າຈາກການສາໍ້ ງ Dataset ໃນການຈາລອງ ເຫດການການຈາລະຈອນຂອງໂໜດຍານພາຫະນະຕາມທອ້ໍ ງຖະໜນົ ດວ້ໍ ຍເຄ່ື ອຶ ງມ OpenStreetMap ແລະ SUMO. OpenStreetMap ເປນັ ເຄ່ື ອງມເພ່ື ອຈາລອງພ້ໍນທື່ ີການຈາລະຈອນຂອງໂໜດ. ຫຼງັ ຈາກ ການດົ ພນ້ໍ ທ່ື ີການຈາລະຈອນດວ້ໍ ຍ Files OSM (OpenStreetMap) ໄດໝ້ໍ ນູ ໃຊ້ໍ Files ດງ່ື ັ ກາ່ື ວມາເປນັ ພ້ໍນທື່ ີການຈາລະຈອນໃຫກໍ້ ບັ ເຄ່ື ອງມ SUMO. SUMO ເປນັ ເຄ່ື ອງມເພື່ ອຈາລອງເຫດການການຈາລະ ຈອນຂອງໂໜດໂດຍມຂີ ນັໍ້ ຕອນການຈາລອງໃຫໂ້ໍ ໜດຍານພາຫະນະສາມາດເຄ່ື ອນທ່ື ີ, ພອ້ໍ ມທງັ ບນັ ທຶກ ເຫດການການຈາລະຈອນເປັນຊຸດຂມໍ້ ນູ ເພ່ື ອນາໄປໃຊກໍ້ ບັ ເຄື່ ອງມ NS2.35 ເພື່ ອຈາລອງເຫດການການ ສື່ງົ ຂມ້ໍ ນູ ໃນພາກສວື່ ນທີ 3. ເຄື່ ອງມ NS2.35 ຍງັ ຕອ້ໍ ງມຊີ ຸດຂມໍ້ ນູ ເພື່ ອຈາລອງໂໜດຮບັ ແລະ ໂໜດສື່ງົ ຂມ້ໍ ນູ ດວ້ໍ ຍເວລາທ່ື ີສມຸື່ ຂນໍ້ . ພາກສວື່ ນທີ 4 ແມນື່ ພາກສວ່ື ນການປະມວນຜນົ ຂອງການທດົ ລອງດວໍ້ ຍ ເຫດການສາເລັດ ແລະ ບ່ື ສາເລັດການຮບັ ສື່ງົ ແພັກເກດັ . ພາກສວື່ ນທີ 5 ແມນ່ື ພາກສວ່ື ນທື່ ີນາໃຊຊໍ້ ດຸ ຂໍ້ ມນູ ຂອງພາກສວ່ື ນທ່ື ີ 4 ມາວເິ ຄາະຫາປະສດິ ທິພາບດວ້ໍ ຍ Script AWK ເຊັນໍ້ : ອດັ ຕາສວື່ ນການສື່ງົ ຂມ້ໍ ນູ ຄວາມຫຼາໍ້ ຊາໍ້ ຂອງການສ່ືງົ ຜາື່ ນຂມ້ໍ ນູ ຈາກໂໜດຕນ້ໍົ ທາງເຖງີ ໂໜດປາຍທາງໂດຍສະເລຍ່ື , ປະລິມານຂໍ້ ມນູ ສື່ງົ ຜາື່ ນ ແລະ ຄວາມສນູ ເສຍແພັກເກດັ ເປັນຕນໍ້ົ . ພາກສວື່ ນທີ 6 ແມນື່ ພາກສວ່ື ນສດຸ ທາໍ້ ຍຂອງວທິ ີ ການຄນໍ້ົ ຄວໍ້ າ, ຊ່ື ງເປນັ ພາກສວ່ື ນສາຄນັ ທ່ື ີຊບີໍ້ ອກວາ່ື ຜນົ ການຄນໍົ້ ຄວໍ້ າແຕພ່ື າກສວ່ື ນທີ 1 ຫາພາກສວື່ ນທີ 5 ມປີ ະສດິ ທິພາບຫຼາຍໜອໍ້ ຍພຽງໃດດວໍ້ ຍການອາ່ື ນ ແລະ ປຽບທຽບຜນົ ການທດົ ລອງຂອງແຕລື່ ະວທິ ີ ຫຼ ໂມເດວທ່ື ີໄດອໍ້ ອກແບບ ແລະ ພດັ ທະນາມາກບັ ຜນົ ການທດົ ລອງຂອງແຕລື່ ະວທິ ີ ຫຼ ໂມເດວທ່ື ີໄດຈ້ໍ າກ ບດົ ຄນ້ໍົ ຄວ້ໍ າທື່ ີກຽື່ ວຂອ້ໍ ງ, ຊື່ ງສະແດງດງ່ື ັ ຮບູ ທີ 3. 1 ແລະ ໄດລ້ໍ າດບັ ຂນັໍ້ ຕອນລາຍລະອຽດດງື່ ັ ຕື່ ໄປນ:້ີໍ 1. ສກຶ ສາວທິ ີການເທັກນກິ ຂອງ Q-Learning ເພື່ ອອອກເເບບຊອ່ື ງທາງສ່ື ສານໃນການສ່ືງົ ເເພັກເກດັ ( Package )ຂມໍ້ ນູ ຈາກ ໂໜດຕນໍົ້ ທາງ ຫາ ໂໜດປາຍທາງ. 2. ການກະກຽມຂມໍ້ ນູ ກຽື່ ວກບັ ເສັນໍ້ ທາງການຈະລາຈອນ ໃນຂອບເຂດເມອງ ຈນັ ທະບລູ ີ ນະຄອນຫຼວງວຽງຈນັ ໂດຍການດົ ປະຕໄູ ຊເປັນຈດຸ ໃຈກາງ ດວໍ້ ຍ OpenStreetMap. 23

3. ຈາລອງ Model ເຫດການການຈະລາຈອນໃນຖະໜນົ ຫນົ ທາງຂອບເຂດນະຄອນຫຼວງ ວຽງຈນັ ໂດຍທ່ື ີເຮາົ ຈະການດົ ຂະໜາດຂອງເນອໍ້ ທ່ື ີການທດົ ລອງ (Scenarios) ພອໍ້ ມກບັ ສະຖານະການທື່ ີ ມເີ ສັ້ໍນທາງ ໃນພ້ໍນທີ ທ່ື ີມກີ ານການດົ ຈານວນຍານພາຫະນະ,ເວລາ ເເລະ ການດົ ຄວາມໄວຂອງ ຍານພາຫະນະຄວາມໄວຕາ່ື ສດຸ ຫາ ຄວາມໄວສງູ ສດຸ ເພ່ື ອການທດົ ລອງ ໂດຍໃຊເໍ້ ຄື່ ອງມ SUMO 4. ຈາລອງ Model ການສື່ ສານໃນລະບບົ ເຄອຂາ່ື ຍ ໂດຍການການດົ ໃຫມ້ໍ ໂີ ໜດໃນການ ສື່ງົ ສນັ ຍານສື່ ສານ ເເລະ ມກີ ານການດົ ໂໜດຮບັ ສນັ ຍານດວໍ້ ຍເວລາທ່ື ີເຮົາໄດກໍ້ ານດົ ໄວເພ່ື ອການ ທດົ ລອງ. 5. ປະມວນຜນົ Data set ທງັ ໝດົ ລວມທງັ Algorithm ທ່ື ີເຮາົ ໄດອ້ໍ ອກເເບບໂດຍນາໃຊ້ໍ ເຄ່ື ອງມ NS2 ໃນການປະມວນຜນົ . 6. ຫຼງັ ຈາກນນັໍ້ ນາ Data set ມາວເິ ຄາະປະສດິ ຕພິ າບເຊັ້ໍນ່ື : ອດັ ຕາສວື່ ນໃນການສ່ືງົ ຂມໍ້ ນູ Package, ເວລາ, ປະລມິ ານຂມໍ້ ນູ ໃນການສ່ືງົ ລວມທງັ ຄວາມບ່ື ສະທຽນໃນການສ່ືງົ ຂມໍ້ ນູ ຕາ່ື ງໆ. ຮບູ ທີ 3. 1 ຂນັ້ໍ ຕອນວທິ ີການຄນົ້ໍ ຄວໍ້ າ 24

3.1.1 ເຄ່ື ອງມທື່ ີນາໃຊເໍ້ ຂ້ໍົາໃນການທດົ ລອງ ເຄ່ື ອງມທ່ື ີນາໃຊໃໍ້ ນການເກບັ ກາຂມ້ໍ ນູ ແມນ່ື ນາໃຊ້ໍ Computer ASUS ( Memory: 8GB, Processor: Intel Core i74710HQ CPU @ 2.50GHZ x 8, OS type: 64bit, Disk: 117.5GB ), OpenStreetMap.org , ເຄື່ ອງມການຈາລອງການຈາລະຈອນດວໍ້ ຍ SUMO, ເຄ່ື ອງມການຈາລອງການ ສ່ືງົ ສນັ ຍາດວ້ໍ ຍ NS2 ເເລະ ວເິ ຄາະປະມວນຜນົ ດວ້ໍ ຍເຄື່ ອງມ AWK Script. 3.1.2 ໄລຍະເວລາການສກຶ ສາ ການສກຶ ສາໃນຄງັໍ້ ນເ້ີໍ ເມນ່ື ໄດເ້ໍ ລໍ້ີມເເຕື່ ເດອນກມຸ ພາ ປີ 2021 ຫາ ເດອນທນັ ວາ ປີ 2021 3.2 ການອອກແບບຂນັ້ໍ ຕອນວທິ ີຂອງຊອ່ື ງສ່ື ສານບນົ ພ້ໍນຖານທິດສະດີ Q-Learning ຂນັໍ້ ຕອນວທິ ີຂອງຊອ່ື ງທາງສື່ ສານຂມ້ໍ ນູ (Routing Algorithm) ແມນື່ ໄດຖ້ໍ ກນາໃຊເໍ້ ພື່ ອແກໄໍ້ ຂ ບນັ ຫາດວໍ້ ຍຂນັ້ໍ ຕອນວທິ ີການເລອກໂໜດກາງທ່ື ີດ,ີ ເພ່ື ອທ່ື ີຈະສື່ງົ ຕ່ື ຂມໍ້ ນູ (Packets) ຈາກໂໜດຕນົ້ໍ ທາງ ເຖງິ ໂໜດ ປາຍທາງໃຫໄໍ້ ດໄໍ້ ວ ແລະ ມປີ ະສດິ ທິພາບດທີ ື່ ີສດຸ . ມຫີ ຼາຍຂນັໍ້ ຕອນວທິ ີຂອງຊອື່ ງທາງສື່ ສານ ທື່ ີໄດນ້ໍ າໃຊຂໍ້ ມ້ໍ ນູ ຕາ່ື ງໆເພ່ື ອມາແກໄ້ໍ ຂບນັ ຫາການເລອກໂໜດກາງທ່ື ີດ,ີ ເຊ່ື ງິ ກ່ືຍງັ ພບົ ຂຫໍ້ ຍງຸໍ້ ຍາກທື່ ີຈະໄດ້ໍ ຮບັ ຜນົ ຢ່າື ງຖກຕອ້ໍ ງຕ່ື ການນາໃຊໃ້ໍ ນພາກປະຕິບດັ . ການເສມີ ສາໍ້ ງການຮຽນຮູໍ້ (Q-Learning) ອາດເປນັ ທາງເລອກໜ່ື ຶງທີນກັ ຄນໍ້ົ ຄວ້ໍ າໃຫຄ້ໍ ວາມສນົ ໃຈທື່ ີຈະເຮດັ ການຄນ້ໍົ ຄວໍ້ົ າເພ່ື ອມາແກໄໍ້ ຂບນັ ຫາການຊອກຫາ ຊອື່ ງເສັນ້ໍ ທາງການສື່ງົ ຂມໍ້ ນູ ໃນລະບບົ ເຄື່ ອຂາື່ ຍ. ໂມເດວການຄິດໄລຄ່ື າື່ ຂອງ Q ບນົ ພ້ນໍ ຖານການພວົ ພນັ ລະຫວາ່ື ງຊອ່ື ງສ່ື ສານ ແລະ ທິດສະດີ Q-Learning ກອື່ ນທ່ື ີຈະອອກແບບຂນັໍ້ ຕອນວທິ ີຂອງຊອ່ື ງສ່ື ສານ ດວໍ້ ຍ Q-Learning ພວກເຣົາໄດອ້ໍ ອກແບບການພວົ ພນັ ລະຫວາື່ ງຄາສບັ , ຕວົ ປື່ຽນຂອງການເສມີ ສາໍ້ ງ ການຮຽນຮູໍ້ Q-Learning ແລະ ຄາສບັ ຊອື່ ງສ່ື ສານ (Routing Protocols), ຊື່ ງສະແດງດງ່ື ັ ຕາຕະລາງທີ 3.1. ຕາຕະລາງທີ 3. 1 ການພວົ ພນັ ລະຫວາື່ ງການເສມີ ສາໍ້ ງການຮຽນຮູ້ໍ ແລະ ຊອ່ື ງສ່ື ສານ (Routing) ໜາ້ໍ ວຽກຂອງການເສມີ ສາໍ້ ງການຮຽນຮູໍ້ ໜາ້ໍ ວຽກຂອງຊອ່ື ງສ່ື ສານ ຕວົ ລະຄອນ ໂໜດຍານພາຫະນະ (Vehicular Nodes) ພດຶ ຕິກາ ສ່ືງົ ຜາ່ື ນຂມໍ້ ນູ ຊອກຄາື່ ຂອງ Q ຂະບວນການເລອກໂໜດກາງ ຮບັ ຄາ່ື ຕອບເເທນ ພບົ ໂໜດກາງທື່ ີມຄີ ວາມໜາ້ໍ ເຊື່ ອຖຂອງຊອ່ື ງສື່ ສານ ສະພາບແວດລອ້ໍ ມ (Link reliability) ລະບບົ ເຄ່ື ອຂາື່ ຍທ່ື ີມໂີ ໜດຍານພາຫະນະ 25

ຕາຕະລາງ 3.1 ສະແດງໃຫເໍ້ ຫັນການພວົ ພນັ ລະຫວາ່ື ງຊອ່ື ງສື່ ສານ ແລະ ການເສມີ ສາໍ້ ງການຮຽນ ຮູໍ້ ຈາກການພວົ ພນັ ນມໍີ້ ນັ ເປັນໄປໄດທ້ໍ ່ື ີຈະນາໃຊກ້ໍ ານເສີມສາໍ້ ງການຮຽນຮເູ້ໍ ພື່ ອມາແກໄໍ້ ຂບນັ ຫາຂອງຊອ່ື ງ ສ່ື ສານ. ດງື່ ັ ນນັ້ໍ , ໂໜດ ຕນໍ້ົ ທາງໃນເຄອຂາື່ ຍຍານພາຫະນະຖວາື່ ເປັນຕວົ ລະຄອນໜ່ື ງ. ພດຶ ຕກິ າເອນ້ໍີ ວາ່ື ການສື່ງົ ຜາ່ື ນຂມ້ໍ ນູ ໂໜດ ຫາ ໂໜດ ໃນເຄອຂາື່ ຍຍານພາຫະນະ. ໃນການຄິດໄລຄື່ າື່ ຂອງ Q ບນົ ພນໍ້ ຖານການພວັ ພນັ ລະຫວາື່ ງຊອ່ື ງສື່ ສານ ເເລະ ທິດສະດີ Q-Learning, ຖາໍ້ ມກີ ານເລອກໂໜດກາງເພື່ ອສ່ືງົ ຜາ່ື ນຂມ້ໍ ນູ ສາເລັດແມນ່ື ສ່ືງົ ຜນົ ໃຫໄໍ້ ດຄ້ໍ າື່ ຂອງຄວາມໜາໍ້ ເຊື່ ອຖໃນການສ່ືງົ ຜາື່ ນ, ຊ່ື ງມອີ ດິ ທິພນົ ຕື່ ການຕດັ ສນີ ໃຈໃນການເລອກໂໜດສ່ືງົ ຜາ່ື ນຂມ້ໍ ນູ ກອື່ ນຈະໄປ ຄດິ ໄລຄື່ າື່ ຂອງ Q. ໃນທື່ ີສດຸ ຂມ້ໍ ນູ ກ່ືຈະຖກສ່ືງົ ເຖງິ ໂໜດປາຍທາງ, ຖາ້ໍ ບື່ ດງ່ື ັ ນນັໍ້ ຖວາື່ ຊອ່ື ງສ່ືງົ ສນັ ຍານດງ່ື ັ ກວາ່ື ຫຼມໍົ້ ເຫຼວ. ການປະເມນີ ຄາ່ື ລາງວນັ ທື່ ີດທີ ີສດຸ ກອື່ ນຈະພຈິ າລະນາເພ່ື ອຫາໂໜດກາງທ່ື ີມຄີ າື່ ຂອງ Q ສງູ ສດຸ ເປັນໂໜດສ່ືງົ ຜາ່ື ນຂມ້ໍ ນູ . ຄາື່ ຂອງ Q ສະທອໍ້ ນໃຫເໍ້ ຫັນວທິ ີລອກໂໜດສ່ືງົ ຜາ່ື ນ ເພື່ ອໃຫສໍ້ ອດຄອ່ື ງ ໃນການຊອກຄາື່ ຂອງ Q ໃຫເໍ້ ໝາະສມົ ເເມນື່ ອງີ ໃສໂື່ ມເດວ 3. 1 ລມຸ່ື ນ:້ີໍ ������������(������������, ������������) = ������������(������������, ������������+∝ [������������������������ + ������ ������������������������������������(������������+1,������������+1) − ������������(������������ ,������������)] (3.1) ������������(������������, ������������) ໝາຍເຖງິ ຄາ່ື ຂອງ Q ຄດິ ໄລຈ່ື າກໂໜດ C, ໂໜດປະຈບຸ ນັ (CurrentNode) ຢໃືູ່ ນສະຖານະ ������������ແລະ ພດຕກິ າ ������������. ������������������(������������+1,������������+1) ໝາຍເຖງິ ຄາື່ ຂອງ Q ຄດິ ໄລຈື່ າກໂໜດ ໂໜດ ສງ່ື ົ ຜາື່ ນ (Next-hop Node) ຢໃ່ືູ ນ ສະຖານະ ������������+1 ແລະ ພດຶ ຕິກາ ������������+1 . ������������������������ ໝາຍເຖງິ ລາງວນັ ຊ່ື ງໄດຈໍ້ າກການຄດິ ໄລຄື່ ວາມໜາ້ໍ ເຊ່ື ອຖຂອງຊອື່ ງສື່ ສານລະຫວ່ື າງໂໜດສ່ືງົ ຜາື່ ນ ������������ ແລະໂໜດປາຍທາງ D. ∝ ເອນໍ້ີ ວາ່ື ບາດກາ້ໍ ວການຮຽນຮູໍ້ (LearningRate) (0<∝≤1), ຊື່ ງມອີ ດິ ທິພນົ ຕ່ື ການປ່ຽື ນແປງຄາ່ື ຂອງ Q. ������ ຄາ່ື ຄງົ ທ່ື ີໃຊເໍ້ ພ່ື ອປບັ ສມົ ດນູ ( Discount factor ) 3.2.1 ໂມເດວການຄດິ ໄລຄ່ື າື່ ຂອງ Reward ຄວາມໜາໍ້ ເຊື່ ອຖຂອງຊອ່ື ງສ່ື ສານ ໃນການສກສາຄງັ້ໍ ນ,ໍ້ີ ການຊອກຫາຄາື່ ຂອງ Reward ແມນື່ ເປັນຫວົ ໃຈຫຼກັ ທີສາຄນັ ເພ່ື ອຈະ ເຮັດໃຫຄໍ້ າື່ ຂອງ Q ມກີ ານປື່ຽນແປງຕາມເປໍາ້ົ ໝາຍ, ຊ່ື ງການປ່ຽື ນແປງຄາື່ ຂອງ Reward ແລະ ຄາື່ ຂອງ Q ມສີ ວື່ ນສາຄນັ ຕື່ ການເລອກໂໜດສື່ງົ ຜາ່ື ນໃນເຄື່ ອຂາື່ ຍ. ທກຸ ໆໂໜດໃນເຄອຂາ່ື ຍຍານພາຫະນະຈະໄດໍ້ ຮບັ ຂມໍ້ ນູ ສາຮອງ (Hello Message) ເປັນໄລຍະ, ເພື່ ອຮບັ ຂມ້ໍ ນູ ພໍນ້ ຖານຂອງໂໜດອື່ ນໆໃນເຄອຂາື່ ຍ. ຂໍ້ ມນູ ດງ່ື ັ ກາື່ ວແມນ່ື ໃຊເໍ້ ພື່ ອຄານວນຄາ່ື ຂອງຄວາມໜາໍ້ ເຊ່ື ອຖໃນການສ່ືງົ ຜາ່ື ນ, ເຊື່ ງີ ໃນບດົ ຄນົໍ້ ຄວໍ້ ານໃີ້ໍ ຊ້ໍ ແທນຄາ່ື ຂອງ Reward. ເບ້ໍອງຕນ້ົໍ ������������������������ ຈະໄດຄ້ໍ ດິ ໄລຄື່ ວາມໜາ້ໍ ເຊ່ື ອຖຂອງຊອື່ ງສ່ື ສານລະຫວ່ື າງໂໜດ ສື່ງົ ຜາ່ື ນ ������������ ແລະ ໂໜດປາຍທາງ D, ຈະໄດຄໍ້ ດິ ໄລດ່ື ງື່ ັ ໂມເດວທີ (3.2). ������������������������ = √(������2+������2)������2−(������������−������������)2−(������������+������������) (3.2) (������2+������2) 26

ຊ່ື ງຶ ວາື່ : ������ = ������������������������������������������������������ + ������������������������������������������ ������ = ������������������ + ������������ ������ = ������������������������������������������������������ + ������������������������������������������ ������ = ������������������ + ������������ ໃນນ້ີໍ ������������������ແລະ ������������ ແມນື່ ຄວາມໄວການເຄ່ື ອນທື່ ີຂອງໂໜດສ່ືງົ ຜາື່ ນ ������������ ແລະ ໂໜດປາຍ ທາງ D ຕາມລາດບັ . ������������������ ແລະ ������������ ແມນື່ ທິດທາງການເຄື່ ອນທ່ື ີຂອງໂໜດສື່ງົ ຜາື່ ນ ������������ ແລະ ໂໜດປາຍທາງ D ຕາມລາດບັ . (������������������, ������������������) ແລະ (������������, ������������) ແມນ່ື ທ່ື ີຕງັໍ້ ຂອງໂໜດສື່ງົ ຜາື່ ນ ������������ ແລະ ໂໜດປາຍທາງ D ຕາມລາດບັ R ແມນື່ ຂອບເຂດສນັ ຍານຂອງໂໜດຍານພາຫະນະ (Transmission Range) 3.2.2 ໂມເດວການຄດິ ໄລຄື່ າ່ື ໄລຍະຫາ່ື ງລະຫວາື່ ງໂໜດຍານພາຫະນະ ໃຫໍ້ ������������������������ ແມນ່ື ໄລຍະຫາ່ື ງລະຫວາື່ ງໂໜດສື່ງົ ຜາື່ ນ ������������ ແລະ ໂໜດປາຍທາງ D ຊື່ ງເຮາົ ສາມາດຄິດໄລໄື່ ລດງ່ື ັ ໂມເດວ (3.3) ລມຸື່ ນ:້ໍີ ������������������������ = √(������������������ − ������������)2 + (������������������ − ������������)2 (3.3) 3.2.3 ຂນັ້ໍ ຕອນ ເເລະ ກນົ ລະຍດຸ ເລອກໂໜດສື່ງົ ຜາື່ ນ ຂນັ້ໍ ຕອນວທິ ີການເລອກໂໜດສື່ງົ ຜາື່ ນ ເເມນື່ ກນົ ລະຍດຸ ໜ່ື ຶງເພ່ື ອທື່ ີສາມາດເລອກໂໜດສື່ງົ ຜາ່ື ນເພ່ື ອສ່ືງົ ຜາ່ື ນຂມ້ໍ ນູ ຈາກໂໜດຕນໍົ້ ທາງເຖງິ ປາຍທາງ, ເຊ່ື ງຶ ເປນັ ຂນັ້ໍ ຕອນວທິ ີທື່ ີສາຄນັ ແລະ ຈາເປັນ ເພ່ື ອອອກແບບຊອື່ ງສື່ ສານຂມໍ້ ນູ ໃຫມໍ້ ປີ ະສດິ ທິພາບທ່ື ີດ.ີ ໃນນພໍ້ີ ວກເຮາົ ໄດນ້ໍ າໃຊວ້ໍ ທິ ີການສາ້ໍ ງແບບຈາ ລອງຊອ່ື ງສ່ື ສານຂມ້ໍ ນູ ດວ້ໍ ຍ Q-Learning ຫຼ ເປນັ ການປະຍກຸ ໃຊໍ້ Q_Routing ໂດຍການນາຄວາມໜາໍ້ ເຊ່ື ອຖຂອງຊອ່ື ງສ່ື ສານເປນັ ລາງວນັ ເພື່ ອຈະເຮດັ ໃຫຄໍ້ າື່ ຂອງ Q ມກີ ານປືຽ່ ນແປງຕາມເປ້ົາໍ ໝາຍ. ລາຍ ລະອຽດແມນ່ື ສະແດງຕາມຂນັໍ້ ຕອນວທິ ີ 1, 2 ແລະ 3 ດງື່ ັ ລມຸື່ ນ:ໍີ້ ຂນັໍ້ ຕອນວທິ ີ (Algorithm) 1: 1: ໃຫຄ້ໍ າ່ື ເລື່ ີມຕນົໍ້ ຂອງຕວົ ປື່ຽນ Next-hop = 1; // ໂໜດກາງ 2: ຄດິ ໄລໄື່ ລຍະຫາ່ື ງ ������������������ ດວ້ໍ ຍສດູ (3.3) // ໄລຍະຫາື່ ງລະຫວາື່ ງໂໜດປະຈບຸ ນັ C ແລະ 27

ໂໜດປາຍທາງ D 3: while ������������ do 4: ຄດິ ໄລໄື່ ລຍະຫາື່ ງ ������������������������ ດວໍ້ ຍສດູ (3.3) 5: if (������������������ > ������������������������) then 6: ������������������ ← ������������������������ 7: next-hop ← ������������ 8: end if 9: end while 10: return next-hop ������������������������������ ������������������������������������������������������ ������������������������ − ℎ������������ = −1 ������������������������������������������������������ ������������������ ������������ ������������ /������ = 1 ������������ ������ ������������������������������������������������������ ������������������������ No ������������������ > ������������������������ ������������������ ← ������������������������ ������������������������ − ℎ������������ ← ������������ ������ > ������ No ������������������ ຮບູ ທີ 3. 2 ໂຄງສາ້ໍ ງຂະບວນການເຮັດວຽກ ຂນັ້ໍ ຕອນທື່ ີ 1 28

ຈາກຂນັໍ້ ຕອນວທິ ີທີ 1 ເຫັນວາ່ື ເເຖວທື່ ີ 3 ເປນັ ການຄນ້ໍົ ຫາໂໜດອອມໍ້ ຂາໍ້ ງເເຕລ່ື ະໂໜດທ່ື ີມີ ຢ,ືູ່ ຕ່ື ມາເເຖວທີ 4 ຫາ 7 ເປັນການຄິດໄລຫື່ າໄລຍ່ື ະຫາື່ ງ ������������������������ ລະຫວາ່ື ງໂໜດອອມ້ໍ ຂາໍ້ ງ ������������ ເເລະ ໂໜດປາຍທາງ D ອງີ ຕາມສດູ (3.3) ສະແດງໃນແຖວທີ 2, ຖາໍ້ ເງື່ອນໄຂໃນແຖວທີ 3 ������������������ > ������������������������ ຖກ, ຈະເເທນຄາື່ ������������������ ← ������������������������ ໃນແຖວທີ 6 ເເລະ ������������������������ − ℎ������������ ← ������������ ໃນແຖວທີ 7. ຖາ້ໍ ບື່ ດງ່ື ັ ນນັ້ໍ ກ່ືຕອໍ້ ງໄດກໍ້ ບັ ໄປຂນັ້ໍ ຕອນຂອງການຊອກຫາໂໜດອອມໍ້ ຂາ້ໍ ງຄນໃຫມ່ື , ເພ່ື ອຄດິ ໄລຕື່ າມຂນັໍ້ ຕອນລງົ ມາ ຕາມລາດບັ . ຂນັ້ໍ ຕອນວທິ ີການເລອກໂໜດສ່ືງົ ຜາື່ ນດວໍ້ ຍປນັ ຍາປະດດິ ຂນັ້ໍ ສງູ Deep Learning ຫຼ Q_Learning, ເປັນການເລອກໂໜດກາງບນົ ພນ້ໍ ຖານຄາື່ ຂອງ Q ແລະ Reward ຕາມສດູ (3.1) ແລະ (3.2) ຕາມລາດບັ . ຂນັໍ້ ຕອນທາອດິ ແມນ່ື ການດົ ຄາ່ື ຫວາ່ື ງໃຫກ້ໍ ບັ ໂໜດກາງ (next-hop = 1) ໝາຍຄວາມ ວາື່ ຍງັ ບື່ ທນັ ມກີ າງໃດໆຖກເລອກໃຫເ້ໍ ປັນໂນດສື່ງົ ຜາ່ື ນ. ຫຼງັ ຈາກນນັ້ໍ ແມນື່ ໄດກໍ້ າໜດົ ຄາ່ື ເລ່ື ີມຕນໍົ້ ໃຫກໍ້ ບັ ຄາື່ ຂອງ ແລະ ກາໜດົ ຄາ່ື ຄງົ ທີ ຂນັ້ໍ ຕອນຕ່ື ໄປເປັນການປບັ ປງຸ ຄາື່ ຂອງ Q ແລະReword ຂອງ ໂໜດກາງແຕລ່ື ະໂໜດຫາໂໜດປາຍທາງຕາມ ດວໍ້ ຍສດູ (3.1) ແລະ ສດູ (3.2). ໂໜດຕນົ້ໍ ທາງ ຫຼ ໂໜດປະຈບຸ ນັ C ຈະສ່ືງົ ຂມ້ໍ ນູ ໄປຍງັ ໂໜດປາຍທາງ D ທ່ື ີຢໃືູ່ ນຂອບເຂດສນັ ຍານຂອງໂໜດປະຈບຸ ນັ C. ກງົ ກນັ ຂາ້ໍ ມຖາໍ້ ຫາກວາ່ື ໂໜດປາຍທາງ D ບ່ື ຢໃ່ືູ ນຂອບເຂດສນັ ຍານຂອງໂໜດຕນົໍ້ ທາງ ຫຼ ໂໜດປະຈຸ ບນັ C ເວລານນັໍ້ ໂໜດປະຈບຸ ນັ C ຈະຕອໍ້ ງໄດເ້ໍ ລອກໂໜດກາງທ່ື ີດີ ແລະ ເມາະສມົ ເພ່ື ອສ່ືງົ ຜາ່ື ນຂມ້ໍ ນູ ໄປຍງັ ໂໜດປາຍທາງ D ໂດຍຄດິ ໄລຄື່ າື່ Q ແລະ Reward ຂອງໂໜດກາງແຕລື່ ະໂໜດຫາໂໜດປາຍ ທາງຕາມສດູ (3.1) ແລະ (3.2), ແລວໍ້ ສມົ ທຽບວາື່ ໂໜດກາງໃດມຄີ າື່ Q ແລະ Reward ທື່ ີເມາະສມົ ແມນື່ ຈະຖກເລອກເປັນໂໜດສ່ືງົ ຜາື່ ນຂມໍ້ ນູ ໄປຍງັ ໂໜດປາຍທາງ. ຂະບວນດງື່ ັ ກາື່ ວນຈໍ້ີ ະສບເນ່ື ອງໄປຈນົ ກວື່ າ ຂມ້ໍ ນູ ຈະສ່ືງົ ຜາ່ື ນເຖງີ ໂໜດປາຍທາງສາເລັດ, ຖາ້ໍ ບ່ື ດງ່ື ັ ນນັ້ໍ ຈະຕອ້ໍ ງສະຫຼບັ ໄປໃຊຂ້ໍ ນັໍ້ ຕອນວທິ ີອ່ື ນໆ. ລາຍ ລະອຽດໄດສໍ້ ະແດງດງ່ື ັ ຂນັ້ໍ ຕອນວທິ ີທີ 2 ແລະ ແຜນຜງັ ວຽກໃນຮບູ ທີ 3.3. ຂນັໍ້ ຕອນວທິ ີ (Algorithm) 2: 1: ໃຫຄໍ້ າ່ື ເລ່ື ີມຕນໍົ້ ຂອງຕວົ ປື່ຽນ ������������(������������ , ������������) = 0; Next-hop = -1;// ໂໜດກາງ 2: ການດົ ຄາ່ື ຂອງ ∝ ແລະ γ; 3: ຄດິ ໄລຄື່ າື່ ຄວາມໜາ້ໍ ເຊື່ ອຖຂອງຊອ່ື ງສ່ື ສານ������������������ ລະຫວື່ າງໂໜດປະຈບຸ ນັ C ແລະ ໂໜດ ປາຍທາງ D, ດວ້ໍ ຍສດູ (3.2) 4: ປ່ຽື ນແປງຄາ່ື ������������(������������ , ������������) ພາຍໃຕໍ້ ������������������ ດວໍ້ ຍສດູ (3.1) 5: while ������������ do 29

6: ປ່ຽື ນແປງຄາື່ ������������������������ ດວໍ້ ຍສດູ (3.2) 7: ປື່ຽນແປງຄາ່ື ������������������(������������+1 , ������������+1) ພາຍໃຕໍ້ ������������������������ ດວ້ໍ ຍສດູ (3.1) 8: if (������������������ < ������������������������) then 9: ������������������ ← ������������������������ 10: if (������������(������������ , ������������) < ������������������(������������+1 , ������������+1)) then 11: ������������(������������ , ������������) ← ������������������(������������+1 , ������������+1) 12: next-hop ← ������������ 13: end if 14: end if 15: end while 16: return next-hop ຈາກຂນັໍ້ ຕອນວທິ ີ 2 ເປນັ ການປະຍກຸ ໃຊຂ້ໍ ນັໍ້ ຕອນວທິ ີການເລອກໂໜດສ່ືງົ ຜາື່ ນແບບ Q_Routing. ໂດຍການນາຄວາມໜາໍ້ ເຊື່ ອຖຂອງຊອື່ ງສື່ ສານເປັນລາງວນັ ເພື່ ອປ່ືຽນແປງຄາ່ື ຂອງ Q, ເມື່ອ ເລີ້ໍມ Start ເເມນ່ື ຕງັ້ໍ ຄາ່ື ເລ່ື ມີ ຕນໍົ້ ������������(������������, ������������) = 0, ການດົ ຄາື່ ໃຫກ້ໍ ບັ ໂໜດກາງ (next-hop = 1) ຕື່ ມາກາ ນດົ ບາດກາ້ໍ ວການຮຽນຮູ້ໍ ∝ = 1 ເເລະ ການດົ ຄວາມສມົ ດນູ γ = 1 ໃນແຖວທີ 1 ແລະ 2 ຕາມລາດບັ ຫຼງັ ຈາກນນັໍ້ ຄດິ ໄລຫື່ າຄາ່ື ຄວາມໜາໍ້ ເຊື່ ອຖຂອງຊອື່ ງສື່ ສານ ������������������ ລະຫວາ່ື ງໂໜດຕນົ້ໍ ທາງ C ເເລະ ໂໜດປາຍທາງ D ສະແດງໃນແຖວທີ 6 ແລະ ປບັ ປງຸ ຄາື່ ຂອງ ������������(������������, ������������) ພາຍໃຕຄ້ໍ າ່ື ຂອງ ������������������, ສະແດງໃນແຖວທີ 4, ເເຖວທດັ ໄປເເມນື່ ຄານວນຫາໂໜດອອມ້ໍ ຂາໍ້ ງເເຕລ່ື ະໂໜດທື່ ີມຢີ ,ືູ່ ເເລວໍ້ ກື່ຍງັ ມກີ ານ ຄດິ ໄລຫ່ື າຄາ່ື ຄວາມໜາໍ້ ເຊື່ ອຖ ������������������������ ລະຫວາື່ ງໂໜດກາງ ������������ ເເລະ ໂໜດປາຍທາງ D ສະແດງໃນແຖວ ທີ 6 , ໂດຍມກີ ານປບັ ຄາື່ ������������������(������������+1, ������������+1) ພາຍໃຕຄ້ໍ າື່ ຂອງ ������������������������ ສະແດງໃນແຖວທີ 7. ຖາໍ້ ເງື່ອນໄຂ ໃນແຖວທີ 8 (������������������ < ������������������������) ຖກ, ເເມນື່ ຈະມກີ ານເເທນຄາື່ ������������������ ← ������������������������ ໃນແຖວທີ 9. ໃນແຖວທີ 10 ຖາໍ້ ເງ່ືອນໄຂ (������������(������������ , ������������) < ������������������(������������+1 , ������������+1)) ຖກກື່ຈະມກີ ານເເທນຄາື່ ������������(������������ , ������������) ← ������������������(������������+1, ������������+1) ໃນແຖວທີ 11 ເເລະ next-hop ← ������������ ໃນແຖວທີ 12. ຂະບວນການຈະສບເນ່ື ອງຈນົ ກວ່ື າການເລອກໂໜດສ່ືງົ ຜາ່ື ນສາເລັດ, ຖາ້ໍ ບ່ື ດງື່ ັ ນນັໍ້ ກື່ຖວາື່ ການສື່ງົ ຜາື່ ນຂມໍ້ ນູ ບ່ື ສາເລັດ. 30

������������������������������ ������������������������������������������������������ ������������(������������, ������������) = 0 ������������������������ − ℎ������������ = −1 ∝= 1, ������ = 1 ������������������������������������������������������ ������������������ ������������������������������������ ������������(������������, ������������)/������������������ ������������ ������������ /������ = 1 ������������ ������ ������������������������������������������������������ ������������������������ ������������������������������������ ������������������(������������+1, ������������+1)/������������������������ No ������������������ < ������������������������ yes ������������������ ← ������������������������ No ������������(������������,������������) < ������������������(������������+1, ������������+1) yes ������������(������������,������������) ← ������������������(������������+1, ������������+1) ������������������������ − ℎ������������ ← ������������ ������ > ������ No yes ������������������ ຮບູ ທີ 3. 3 ໂຄງສາໍ້ ງຂະບວນການເຮັດວຽກ ຂນັ້ໍ ຕອນທ່ື ີ 2 31

ກນົ ລະຍດຸ ການເລອກໂໜດສ່ືງົ ຜາ່ື ນເປັນການເລອກໂໜດກາງບນົ ພໍ້ນຖານຂນັ້ໍ ຕອນວທິ ີທີ 1 ແລະ 2. ຖາ້ໍ ຫາກຂນັ້ໍ ຕອນວທິ ີທີ 1 ບ່ື ສາເລັດໃນການເລອກໂໜດກາງເພ່ື ອສ່ືງົ ຜາື່ ນຂມໍ້ ນູ , ແມນ່ື ຈະປຽື່ ນ ມາໃຊຂໍ້ ນັ້ໍ ຕອນວທິ ີທີ 2 ໃນການເລອກໂໜດກາງເພ່ື ອສ່ືງົ ຜາື່ ນຂມ້ໍ ນູ ທນັ ທີ. ລາຍລະອຽດໄດສ້ໍ ະແດງດງື່ ັ ຂນັໍ້ ຕອນວທິ ີທີ 3 ແລະ ແຜນຜງັ ວຽກ ໃນຮບູ ທີ 3.4. ຂນັ້ໍ ຕອນວທິ ີ (Algorithm) 3: ກນົ ລະຍດຸ ການເລອກໂໜດສ່ືງົ ຜາ່ື ນ 1: ໃຫຄໍ້ າື່ ເລ່ື ມີ ຕນ້ົໍ ຂອງຕວົ ປ່ືຽນ Next-hop = 1;// ໂໜດກາງ 2: while ������������ do 3: if (mode = GPSR) then 4: ເລອກໂໜດກາງເປັນໂໜດສື່ງົ ຜາ່ື ນດວ້ໍ ຍຂນັໍ້ ຕອນວທິ ີ 1 5: if (next-hop = 1) then 6: ເລອກໂໜດກາງເປນັ ໂໜດສ່ືງົ ຜາ່ື ນດວໍ້ ຍຂນັໍ້ ຕອນວທິ ີ 2 7: end if 8: end if 9: end while 10: return next-hop ຈາກຂນັ້ໍ ຕອນວທິ ີ Algorithm 3 ເປນັ ການລວມທງັ Algorithm 1 ເເລະ Algorithm 2 ເຂົໍ້າ ມາເປັນກນົ ລະຍດຸ ດຽວກນັ , ເຫັນວາ່ື ການເລອກໂໜດກາງເພ່ື ອເປັນໂໜດສື່ງົ ຜາື່ ນຂມໍ້ ນູ ແມນື່ ບນົ ພ້ໍນຖານ ວທິ ີຂອງ GPSR ເຊ່ື ັນຂນັ້ໍ ຕອນແຖວທີ 2 ຫາ 5 ຖາ້ໍ ຫາກການເລອກໂໜດກາງເປນັ ໂໜດສ່ືງົ ຜາື່ ນຂມ້ໍ ນູ ໄປ ເຖງິ ໂໜດປາຍທາງໄດດໍ້ ວໍ້ ຍຂນັ້ໍ ຕອນວທິ ີ 1 ສາເລັດ, ຊື່ ງໝາຍເຖງິ ໂໜດຕນໍ້ົ ທາງສາມາດເລອກໂໜດ ກາງທ່ື ີມໄີ ລຍະຫາ່ື ງໃກສໍ້ ດຸ ກບັ ໂໜດປາຍທາງເພ່ື ອເປນັ ໂໜດສ່ືງົ ຜາື່ ນຂມ້ໍ ນູ ໄດ.້ໍ ໃນກງົ ກນັ ຂາ້ໍ ມຖາໍ້ ຫາກ ໂໜດປະຈບຸ ນັ ບ່ື ສາມາດເລອກໂໜດກາງທື່ ີມໄີ ລຍະຫາື່ ງໃກສໍ້ ດຸ ກບັ ໂໜດປາຍທາງ ນອກຈາກຕວົ ໂໜດ ປະຈບຸ ນັ ເອງ, ຊື່ ງເອນໍີ້ ວາື່ :ບນັ ຫາຂອງທອ້ໍ ງຖ່ືນີ (Local Maximum Problem), ແມນື່ ພວກເຮົາຈະນາໃຊໍ້ ຂນັໍ້ ຕອນວທິ ີ 2. ໃນຂນັໍ້ ຕອນນເີ້ໍ ປນັ ການເລອກໂໜດກາງທ່ື ີມຄີ ວາມໜາໍ້ ເຊ່ື ອຖຂອງຊອື່ ງສື່ ສານ ຫຼ ລາງວນັ ແລະ ຄາື່ ຂອງ Q ທື່ ີດສີ ດຸ ເປັນໂໜດສ່ືງົ ຜາ່ື ນຂມໍ້ ນູ ໄປຍງັ ໂໜດປາຍທາງ, ຂະບວນການສື່ງົ ຜາ່ື ນ ຂມໍ້ ນູ ຫຼ ພດຶ ຕິການຈ້ໍີ ະສບເນື່ອງໄປເລໍອ້ ຍໆຈນົ ກວື່ າຈະສນີໍ້ ສດຸ , ແຕຖື່ າໍ້ ຫາກຂນັໍ້ ຕອນວທິ ີທງັ ໝດົ ທ່ື ີກາື່ ວ ມາຫາກບ່ື ສາເລັດພວກເຮາົ ຖວາ່ື ຂະບວນການສື່ງົ ຜາ່ື ນຂມ້ໍ ນູ ຖກຢດຸ ຕິ ແລະ ຂມ້ໍ ນູ ບ່ື ຖກສ່ືງົ ເຖງິ ໂໜດປາຍ ທາງ ຖວາື່ ເປັນການສນູ ເສຍຊຸດຂມໍ້ ນູ ດງ່ື ັ ກາື່ ວ. 32

������������������������������ ������������������������������������������������������ ������������������������ − ℎ������������ = −1 ������������ ������������ /������ = 1 ������������ ������ No ������������������������ = ������������������������ yes ������������������������������������������ℎ������ 1 No ������������������������ − ℎ������������ = −1 yes ������������������������������������������ℎ������ 2 ������ > ������ No yes ������������������ ຮບູ ທີ 3. 4 ໂຄງສາ້ໍ ງຂະບວນການເຮດັ ວຽກ ຂນັໍ້ ຕອນທ່ື ີ 3 3.3 ຂນັໍ້ ຕອນການດາເນນີ ການທດົ ລອງ ຫຼງັ ຈາກອອກແບບ ແລະພດັ ທະນາຂນັ້ໍ ຕອນວທິ ີ ແລະ ກນົ ລະຍດຸ ການເລອກໂໜດສື່ງົ ຜາ່ື ນຈະ ເປນັ ການນາຂນັ້ໍ ຕອນວທິ ີ ແລະ ກນົ ລະຍດຸ ການເລອກໂໜດສ່ືງົ ຜາ່ື ນດງ່ື ັ ກາື່ ວມາທດົ ລອງກບັ ຊດຸ ຂມໍ້ ນູ . ເປັນພາກສວ່ື ນທື່ ີສະເເດງເຖງິ ສະພາບເເວດລອ້ໍ ມໃນການທດົ ລອງ ທື່ ີໃຊເໍ້ ພ່ື ອທດົ ລອງ ເເລະ ປະເມນີ ປະສດິ ທິພາບຂອງຂນັໍ້ ຕອນຕາື່ ງໆ, ສະພາບເເວດລອໍ້ ມຂອງການທດົ ລອງປະກອບດວ້ໍ ຍ 3 ຂະ ບວນ ການຄ: ການສາ້ໍ ງສະຖານະການການທດົ ລອງ, ການຈາລອງເຄອຂາື່ ຍ ເເລະ ການປະເມນີ ປະສດິ ທິ 33

ພາບ ເເລະ 4 ອງົ ປະກອບເຊ່ື ັນ: ການຕິດຕາມການຮບັ ສື່ງົ ຂມ້ໍ ນູ ຂອງຍານພາຫະນະ, ການຕິດຕາມ ການຮບັ ສ່ືງົ ຂມ້ໍ ນູ ຂອງເຄອຂາື່ ຍ, ການຕິດຕາມການທດົ ລອງ ເເລະ ຜນົ ການທດົ ລອງ. Scenario Vehicular traffic traces generation OpenStreetMap, SUMO Network Network traffic traces simulation Network simulation traces: NS-2.35 Performance Simulation results: AWK Evaluation ຮບູ ທີ 3. 5 ຂນັ້ໍ ຕອນການດາເນນີ ຂະບວນການທດົ ລອງ ຊດຸ ຂມໍ້ ນູ ການສກຶ ສາທື່ ີໄດນໍ້ າມາໃຊເໍ້ ຂໍົ້າໃນການທດົ ລອງຄງັ້ໍ ນແ້ໍີ ມນ່ື ໄດຈໍ້ າກຂນັ້ໍ ຕອນການດາເນນີ ການທດົ ລອງໃນຮບູ ທີ 3.5, ຊ່ື ງໄດແ້ໍ ບງ່ື ອອກເປັນ 3 ຊຸດຂມໍ້ ນູ ເຊື່ ັນ: (1) ຊຸດຂມ້ໍ ນູ ຮອງຮອຍການເຄ່ື ອນ ທ່ື ີຂອງໂໜດຍານພາຫະນະທ່ື ີໄດຈໍ້ າກ OpenStreetMap ແລະ SUMO. (2) ຊຸດຂມໍ້ ນູ ທ່ື ີຈາກ NS2.35 ໂດຍການສມຸ່ື ລະຫດັ ຂອງໂໜດຍານພາຫະນະໃຫກ້ໍ າຍເປັນໂໜດຕນໍົ້ ທາງ, ໂໜດກາງ ແລະ ໂໜດປາຍ ທາງພອໍ້ ມທງັ ຂມໍ້ ນູ ເວລາການສ່ືງົ ແລະ ຂະໜາດຂອງຂມໍ້ ນູ . (3) ຊຸດຂມ້ໍ ນູ ຮອງຮອຍການທດົ ລອງ ພາຍຫຼງັ ປະມວນຜນົ ຂມໍ້ ນູ ຊຸດຂມໍ້ ນູ (1) ແລະ (2) ດວໍ້ ຍ NS2.35. 3.3.1 ການກະກຽມຊຸດຂມ້ໍ ນູ ເພ່ື ອການທດົ ລອງດວໍ້ ຍ OpenStreetMap ເເລະ SUMO ຊຸດຂມ້ໍ ນູ ຮອງຮອຍການເຄື່ ອນທື່ ີຂອງໂໜດຍານພາຫະນະທື່ ີໄດຈ້ໍ າກ OpenStreetMap ແລະ SUMO. ເປນັ ຂມ້ໍ ນູ ກຽື່ ວກບັ ເເຜນທ່ື ີຂອບເຂດເມອງຈນັ ທະບລູ ີ, ນະຄອນຫຼວງວຽງຈນັ ໂດຍການກາ ນດົ ເອົາປະຕໄູ ຊເປັນຈດຸ ໃຈກາງ ເເລະ ພວກເຮົາໄດກໍ້ ານດົ ຂະໜາດຂອງເນອໍ້ ທື່ ີການຈາລອງ (Scenario) ເເມນື່ 2,000 ແມດັ x 2,000 ແມດັ . ເເມນ່ື ເປັນການຈາລອງເອົາເນອ້ໍ ທ່ື ີເເຜນທ່ື ີເສັ້ນໍ ທາງພາຍ ໃນຕວົ ເມອງຈນັ ທະບລູ ີ, ນະຄອນຫຼວງວຽງຈນັ ໂດຍການດົ ຂອບເຂດປະຕໄູ ຊເປນັ ຈດຸ ໃຈກາງ. ສະຖານທ່ື ີ ການດາເນນີ ການສຶກສາຄງັ້ໍ ນເ້ໍີ ເມນ່ື ຢພ່ືູ າກວຊິ າ ວທິ ະຍາສາດທາມະຊາດ ມະຫາວທິ ະຍາໄລເເຫງື່ ຊາດ. ສາລບັ ການກຽມຂມ້ໍ ນູ ເເມນ່ື ນາໃຊໍ້ OpenStreetMap ດາວໂຫລດເເຜນທີຂອບເຂດເມອງຈນັ ທະບລູ ີ, ນະຄອນຫຼວງວຽງຈນັ .ປະກອບດວໍ້ ຍເເຜນທ່ື ີເສັໍນ້ ທາງທື່ ີກຽ່ື ວຂອ້ໍ ງກບັ ເຫດການການຈາລະຈອນຕາມທອ້ໍ ງ ຖະໜນົ ພາຍໃນຂອບເຂດທື່ ີໄດກໍ້ ານດົ ໄວ,້ໍ ເພື່ ຶອກຽມນາຂມ້ໍ ນູ ດງື່ ັ ກວ່ື າເຂົ້າໍ ໃນເຄື່ ອງມຕາື່ ງໆເພື່ ອທາການ ຈາລອງເຫດການການຈາລະຈອນຂອງຍານພາຫະນະ ເເລະ ການຈາລອງການສື່ງົ ຂມ້ໍ ນູ ຜາ່ື ນສນັ ຍານ ເຄອຂາ່ື ຍຍານພາຫະນະ ເເລະ ປະເມນີ ປະສດິ ຕິພາບຂອງການຈາລອງ. 34

ຜນົ ໄດຮໍ້ ບັ ຈາກການຈາລອງເອົາຂມໍ້ ນູ ໂດຍໃຊວ້ໍ ທິ ີການຈາລອງການຈາລະຈອນຂອງໂໜດ ຍາພາຫະນະການຈາລອງການຈາລະຈອນຂອງໂໜດຍານພາຫະນະ ໄດແ້ໍ ບງື່ ອອກເປນັ ຂນັ້ໍ ຕອນດງ່ື ັ ລມຸື່ ນ:ີໍ້ ກອື່ ນອື່ ນແມນ່ື ນາໃຊ້ໍ Web browser ເພື່ ອເຂໍາົ້ ສູື່ OpenStreetMap.org, ແລວ້ໍ ເລອກຈດຸ ພກິ ດັ ເປນັ ໃຈ ກາງນະຄອນຫຼວງວຽງຈນັ , ເຂດປະຕໄູ ຊ, ສປປລາວ. ຫຼງັ ຈາກນນັໍ້ ການດົ ພໍ້ນທ່ື ີການທດົ ລອງຢລ່ືູ ະຫວາ່ື ງ 2000 ແມດັ x 2000 ແມດັ . ສດຸ ທາໍ້ ຍແມນື່ ທາການສ່ືງົ ອອກຟາຍໂດຍຈະໄດຕໍ້ ງັໍ້ ຊໍ້ vtopstmap.osm, ສະແດງດງ່ື ັ ຮບູ ທີ 3.6. ຮບູ ທີ 3. 6 ແຜນທີຂອບເຂດຂອງເມອງຈນັ ທະບລູ ີ, ນະຄອນຫຼວງວຽງຈນັ ດວໍ້ ຍ OpenStreetMap 1. ນາໃຊຄ້ໍ າສ່ງື ັ ຂອງ SUMO ເພື່ ອເເປງຟາຍ vtopstmap.osm ໃຫເ້ໍ ປັນ vtopstmap.net.xml netconvert osmfiles vtopstmap.osm o vtopstmap.net.xml), ສະແດງດງື່ ັ ຮບູ ທີ 3.7. 35

ຮບູ ທີ 3. 7 ແຜນທີຂອບເຂດຂອງເມອງຈນັ ທະບລູ ີ, ນະຄອນຫຼວງວຽງຈນັ ດວ້ໍ ຍ SUMO netconvert. 2. ນາໃຊຄ້ໍ າສ່ງື ັ ຂອງ SUMO ເພ່ື ອແປງຟາຍ vtopstmap.osm ແລະ vtopstmap.net.xml ໃຫເໍ້ ປັນ vtopstmap.poly.xml, ສະແດງດງ່ື ັ ຮບູ ທີ 3.8. (polyconvert --osmfiles vtopstmap.osm --net-file vtopstmap.net.xml --type--file osmPolyconvert.typ.xml -o vtopstmap.poly.xml) ຮບູ ທີ 3. 8 ແຜນທີຂອບເຂດຂອງເມອງຈນັ ທະບລູ ີ, ນະຄອນຫຼວງວຽງຈນັ ດວໍ້ ຍ SUMO polyconvert 36

3. ນາໃຊຄໍ້ າສືງ່ ັ ຂອງ SUMO ເພ່ື ອແປງຟາຍ vtopstmap.net.xml ໃຫເ້ໍ ປັນ vtopstmap.rou.xml ເຊື່ ງີ ໃນນມີ້ໍ ກີ ານການດົ ຈານວນໂໜດຍານພາຫະນະໃຫເ້ໍ ທື່ ົາ 70, ສະແດງດງ່ື ັ ຮບູ ທີ 3.9. (python /home/fengtao/sumo/tools/randomTrips.py-n vtopstmap.net.xml-r vtopstmap.rou.xml e 70 -l) ຮບູ ທີ 3. 9 ແຜນທີຂອບເຂດຂອງເມອງຈນັ ທະບລູ ,ີ ນະຄອນຫຼວງວຽງຈນັ ດວ້ໍ ຍ SUMO polyconvert 4. ນາໃຊຄໍ້ າສື່ງັ ຂອງ SUMO ເພ່ື ອສາ້ໍ ງຟາຍ vtopstmap.sumo.cfg, ເຊື່ ງີ ໃນນມີໍ້ ກີ ານ ການດົ ເວລາການທດົ ລອງເທື່ ົາ 250 ວນິ າທີ, ສະແດງດງ່ື ັ ຮບູ ທີ 3.10. create file vtopstmap.sumo.cfg <configuration> <input> <netfile value=\"vtopstmap.net.xml\"/> <routefiles value=\"vtopstmap.rou.xml\"/> <additionalfiles value=\"vtopstmap.poly.xml\"/> </input> <time> <begin value=\"0\"/> <end value=\"250\"/> <steplength value=\"0.1\"/> </time> </configuration> 37