اسم الباحث:المهندس: محمد غازي الهلامي

اسم المشرف:الدكتور: أكرم المرعي-الدكتور: ماهر عباس

العام:2026

القسم:هندسة الشبكات والنظم الحاسوبية

الملخص:

شهد إنترنت الأشياء توسعًا متسارعًا في إعداد الأجهزة والمستشعرات والمشغلات المتصلة بالشبكة، مما يتطلب تطوير شبكات حساسات لاسلكية تتميز بكفاءة استهلاك الطاقة، والموثوقية، وسرعة نقل البيانات. ويعد اختيار المسارات وموازنة حركة البيانات بين العقد من العوامل الأساسية المؤثرة في أداء الشبكة واستدامتها. ويُعد بروتوكول التوجيه للشبكات منخفضة الطاقة والمعرضة للفقدان(RPL) من البروتوكولات القياسية المستخدمة في شبكات إنترنت الأشياء، إلا أن الاعتماد على مؤشر واحد، مثل عدد القفزات أو عدد الإرسال المتوقع (ETX)، قد يؤدي إلى اختيار مسارات غير موثوقة، وزيادة إعادة إرسال الرزم، واستنزاف الطاقة، وظهور نقاط ساخنة نتيجة عدم التوازن في حركة البيانات.

يقدم هذا البحث مقياسًا مركبًا جديدًا لتقدير جودة الوصلة يسمى HUDLQ (Homs University Dynamic Link Quality)، يعتمد على دمج مجموعة من مؤشرات جودة الوصلة بهدف تحسين اختيار المسارات وتحقيق توزيع أكثر كفاءة لحركة البيانات بين عقد الشبكة. كما تم تطوير النموذج من خلال توظيف التعلم الآلي الخاضع للإشراف باستخدام خوارزمية شجرة القرار (Decision Tree)، والاستفادة من البيانات السابقة للوصلات والمسارات في التنبؤ بالمسار الأفضل. وقد أدى دمج نموذج التعلم الآلي داخل بروتوكول RPL إلى تطوير نسخة محسنة من البروتوكول أطلق عليها(HUML_RPL). تم تنفيذ وتقييم النماذج المقترحة باستخدام نظام التشغيل Contiki والمحاكي Cooja، ضمن سيناريوهات مختلفة من حيث كثافة الشبكة وطوبولوجيها. وأظهرت نتائج المحاكاة تفوق النموذج المقترح HUML_RPL مقارنة بوظائف الهدف OF0 وHUDLQ وMRHOF-ETX، من خلال تحسين كفاءة استهلاك الطاقة، وتقليل حركة رسائل التحكم، وتحسين معدل تسليم الرزم، وخفض زمن وصول البيانات، مما يؤكد فعالية دمج مؤشرات جودة الوصلة وتقنيات التعلم الآلي الخاضع للإشراف في تحسين أداء بروتوكول RPL وشبكات إنترنت الأشياء.

————————————————————-

الكلمات المفتاحية: إنترنت الأشياء، شبكات الحساسات اللاسلكية، تقدير جودة الوصلة، HUDLQ، RPL، التعلم الآلي الخاضع للإشراف، شجرة القرار، HUML-RPL، كفاءة الطاقة، معدل تسليم الرزم.

تحميل البحث