"Int J Communication - 2020 - Chaudhary - ORuML Optimized Routing in wireless networks using Machine Learning" ,
Int J Communication - 2011 - Russell - Integrating machine learning in ad hoc routing A wireless adaptive routing protocol
를 읽어보니, 노드들을 classification하겠다는 나의 아이디어가 완전히 허무맹랑한 이야기는 아니었던 것 같다.
이전까지 포스팅에서 시뮬레이션 데이터들을 구하는 것을 마무리했다.
그렇다면 이제 해당 데이터를 기반으로 노드를 clustering 해주는 아이디어를 고안해보겠다.
#include <sstream>
#include <fstream>
#include <ns3/network-module.h>
#include <ns3/core-module.h>
#include <ns3/applications-module.h>
#include <ns3/mobility-module.h>
#include <ns3/internet-module.h>
#include <ns3/yans-wifi-helper.h>
#include "ns3/energy-module.h"
#include "ns3/wifi-radio-energy-model-helper.h"
#include "ns3/device-energy-model.h"
#include "ns3/adhoc-wifi-mac.h"
#include "ns3/aodv-helper.h"
#include <regex>
#include <cmath>
#include <vector>
#include <string>
#define TxRange 250
#define TotalTime 250
#define nodeNum 30
#define sinkNum 5
#define dataMode "VhtMcs8"
#define phyMode "OfdmRate54Mbps"
using namespace ns3;
int ja=0;
int ios = 0;
int PDC[nodeNum];
int a[nodeNum];
void
makeCsvFile(const std::vector<std::vector<std::string>>& data,std::ofstream* file1){
for(const auto& row : data){
for(auto it = row.begin(); it!=row.end(); ++it){
for(char c : *it){
file1->put(c);
}
if(next(it)!=row.end()){
file1->put(',');
}
}
file1->put('\n');
}
}
Vector
Normalize(const Vector& velocity){
double magnitude = std::sqrt(velocity.x * velocity.x + velocity.y * velocity.y + velocity.z * velocity.z);
// 크기가 0인 벡터는 정규화할 수 없으므로, 원본 벡터를 반환
if (magnitude == 0)
{
return velocity;
}
return ns3::Vector(velocity.x / magnitude, velocity.y / magnitude, velocity.z / magnitude);
}
double distance(double x1, double y1, double x2, double y2){
return sqrt(pow(x2 - x1, 2) + pow(y2 - y1, 2));
}
double CalculateRelativeSpeed(double vAx, double vAy, double vBx, double vBy) {
// 상대 속도 벡터의 각 성분을 계산
double relativeVx = vBx - vAx;
double relativeVy = vBy - vAy;
return sqrt(pow(relativeVx, 2) + pow(relativeVy, 2));
}
void PhyRxDrop(std::string context, Ptr<const Packet> packet,WifiPhyRxfailureReason reason){
std::regex rege("/NodeList/(\\d+)/");
std::smatch match;
std::regex_search(context,match,rege);
int index = std::stoi(match[1].str());
PDC[index]+=1;
}
void
TracingParameter(NetDeviceContainer n, std::ofstream* os,std::vector<std::vector<std::string>> Data){
double variance[nodeNum]={};
double nodeX[nodeNum];
double nodeY[nodeNum];
double spdX[nodeNum];
double spdY[nodeNum];
int NN[nodeNum];
int GNN[nodeNum];
double mean1[nodeNum]={};
//각 노드들의 데이터 긁어오기, 0=PacketSinkApp, 1=OnOffApp
for(int i=0; i<nodeNum; i++){
//node들의 에너지 잔량,속도, 방향, 위치 정보 수집(Node x, Node y)
Ptr<Node> node = n.Get(i)->GetNode();
Ptr<MobilityModel> mobility = node->GetObject<MobilityModel>();
ApplicationContainer app = node->GetApplication(0);
Vector pos = mobility->GetPosition();
Vector velocity = mobility->GetVelocity();
nodeX[i] = pos.x;
nodeY[i] = pos.y;
spdX[i] = velocity.x;
spdY[i] = velocity.y;
}
//Node Strength 계산
for(int i=0; i<nodeNum; i++){
double totalLET=0;
int GNNN = 0;
int NNodeNum = 0;
double LET[nodeNum];
std::fill(LET,LET+nodeNum,-1000);
for(int j=0; j<nodeNum; j++){
//처리해줘야할 노드만 처리
if(i==j) continue;
double dis = distance(nodeX[i],nodeY[i],nodeX[j],nodeY[j]);
if(dis<=TxRange){
NNodeNum++;
if((spdX[i]*spdX[j]+spdY[i]*spdY[j])>=0){
GNNN++;
}//가까워짐
else{
LET[j] = dis / (CalculateRelativeSpeed(spdX[i],spdY[i],spdX[j],spdY[j]));
}
}
}//이 시점에서 모든 node i 에 대한 LET 정보 갱신 완료.
if(GNNN!=NNodeNum){
for(int k=0; k<nodeNum; k++){
if(LET[k] == -1000) continue;
else totalLET += LET[k];
}
double mean = totalLET / (NNodeNum-GNNN);
for(int k=0; k<nodeNum; k++){
if(LET[k] == -1000) continue;
variance[i] += (LET[k]-mean)*(LET[k]-mean);
}
variance[i] /= (NNodeNum-GNNN);
variance[i] = sqrt(variance[i]);
mean1[i]=mean;
}
GNN[i] = GNNN;
NN[i] = NNodeNum;
}
//Write Info
for(int i=0; i<nodeNum; i++){
Data.push_back({std::to_string(Simulator::Now().GetSeconds()),
std::to_string(i+1),
std::to_string(nodeX[i]),
std::to_string(nodeY[i]),
std::to_string(mean1[i]),
std::to_string(variance[i]),
std::to_string(NN[i]),
std::to_string(GNN[i]),
std::to_string(abs(spdX[i])+abs(spdY[i])),
std::to_string(PDC[i])
});
}
std::fill(PDC,PDC+nodeNum,0);
std::fill(a,a+nodeNum,0);
Ptr<UniformRandomVariable> x = CreateObject<UniformRandomVariable>();
x->SetAttribute("Min",DoubleValue(0.5));
x->SetAttribute("Max",DoubleValue(1.5));
makeCsvFile(Data,os);
Data.clear();
std::cout<<Simulator::Now().GetSeconds()<<std::endl;
Simulator::Schedule(Seconds(x->GetValue()),&TracingParameter,n,os,Data);
}
int
main(int argc, char* argv[]){
for(ja = 0; ja <100; ja++){
std::ostringstream oss1;
oss1<<"Result"<<ja<<".csv";
std::ofstream file1 (oss1.str());
std::vector<std::vector<std::string>> Data;
Ptr<UniformRandomVariable> x = CreateObject<UniformRandomVariable>();
x->SetAttribute("Min",DoubleValue(0));
RngSeedManager::SetSeed(ja+1);
RngSeedManager::SetRun(10);
Data.push_back({"Second","NodeID","X","Y","AverageLET","Variance","NNeighbor","GoodNeighbor","Speed","PacketDrop"});
NodeContainer AdhocNodes;
AdhocNodes.Create(nodeNum);
NetDeviceContainer AdhocDevices;
MobilityHelper mobility;
ObjectFactory points;
points.SetTypeId("ns3::RandomRectanglePositionAllocator");
points.Set("X",StringValue("ns3::UniformRandomVariable[Min=-350.0|Max=350.0]"));
points.Set("Y",StringValue("ns3::UniformRandomVariable[Min=-350.0|Max=350.0]"));
Ptr<PositionAllocator> waypos = points.Create() -> GetObject<PositionAllocator>();
mobility.SetMobilityModel("ns3::RandomWaypointMobilityModel",
"Speed",StringValue("ns3::UniformRandomVariable[Min=0.0|Max=10]"),
"Pause",StringValue("ns3::UniformRandomVariable[Min=0.0|Max=2]"),
"PositionAllocator",PointerValue(waypos));
mobility.SetPositionAllocator("ns3::RandomRectanglePositionAllocator",
"X",StringValue("ns3::UniformRandomVariable[Min=-350.0|Max=350.0]"),
"Y",StringValue("ns3::UniformRandomVariable[Min=-350.0|Max=350.0]"));
mobility.Install(AdhocNodes);
//속도 pause time 방향 범위 내 랜덤.
WifiHelper wifi;
wifi.SetStandard(WIFI_STANDARD_80211ac);
YansWifiPhyHelper phy;
YansWifiChannelHelper channel;
phy.EnableAscii("my-wifi-trace-file",AdhocNodes);
WifiMacHelper mac;
mac.SetType("ns3::AdhocWifiMac");
phy.SetErrorRateModel("ns3::YansErrorRateModel");
channel.SetPropagationDelay("ns3::ConstantSpeedPropagationDelayModel");
wifi.SetRemoteStationManager("ns3::ConstantRateWifiManager","DataMode",StringValue(dataMode),"ControlMode",StringValue(phyMode));
wifi.ConfigHtOptions("ShortGuardIntervalSupported", BooleanValue(true));
channel.AddPropagationLoss("ns3::RangePropagationLossModel","MaxRange",DoubleValue(TxRange));
phy.SetChannel(channel.Create());
AdhocDevices.Add(wifi.Install(phy,mac,AdhocNodes));
InternetStackHelper internet;
AodvHelper aodv;
internet.SetRoutingHelper(aodv);
internet.Install(AdhocNodes);
Ipv4AddressHelper ipv4;
ipv4.SetBase("10.1.1.0","255.255.255.0");
Ipv4InterfaceContainer ipv4Interface = ipv4.Assign(AdhocDevices);
uint64_t port = 9;
ApplicationContainer sink_app;
for(int i=0; i<sinkNum; i++){
PacketSinkHelper packetSink("ns3::UdpSocketFactory",InetSocketAddress(Ipv4Address::GetAny(),port));
sink_app.Add(packetSink.Install(AdhocNodes.Get(i)));
}
sink_app.Start(Seconds(0.0));
sink_app.Stop(Seconds(TotalTime));
for(int i=0; i<sinkNum; i++){
for(int j=0; j<nodeNum; j++){
if(i==j) continue;
InetSocketAddress sinkSocket (ipv4Interface.GetAddress(i),port);
OnOffHelper onoff("ns3::UdpSocketFactory",sinkSocket);
onoff.SetAttribute("StartTime",TimeValue(Seconds(3)));
onoff.SetAttribute("StopTime",TimeValue(Seconds(TotalTime)));
onoff.SetAttribute("OnTime", StringValue("ns3::UniformRandomVariable[Min=0.5|Max=1.5]")); // 전송 지속 시간
onoff.SetAttribute("OffTime", StringValue("ns3::UniformRandomVariable[Min=0|Max=1]")); // 전송 중단 시간
onoff.SetAttribute("DataRate", DataRateValue(5000)); // 데이터 전송률
onoff.Install(AdhocNodes.Get(j));
}
}
Simulator::Stop(Seconds(TotalTime));
for(int i=0; i<nodeNum; i++){
std::ostringstream oss;
oss<<"/NodeList/"<<i<<"/DeviceList/0/$ns3::WifiNetDevice/Phys/0/PhyRxDrop";
Config::Connect (oss.str(), MakeBoundCallback (&PhyRxDrop));
}
Simulator::Schedule(Seconds(3),&TracingParameter,AdhocDevices,&file1,Data);
Simulator::Run();
Simulator::Destroy();
file1.close();
}
}
해당 코드로 250초 씩 100번의 시뮬레이션을 했다.
80개를 train, 20개를 test 데이터로 써볼 것이다.
우선, 뽑아낸 데이터는 3~250초 동안 찍힌 노드 30개의 정보이다.
이를 다음의 과정으로 Decision Tree 학습법에 적용시켰다.
#result 파일을 하나로 합침
import pandas as pd
#모든 파일을 합치기 위한 데이터 프레임 초기화
all_data = pd.DataFrame()
for file_id in range(0,100):
file_path = f'/content/result{file_id}.csv'
#각 파일마다 식별자 새기기
try:
temp_data = pd.read_csv(file_path)
temp_data['FileID'] = file_id
all_data = pd.concat([all_data, temp_data], ignore_index=True)
except FileNotFoundError:
print(f"File not found: {file_path}")
all_data.to_csv('all_data.csv', index=False)
all_data.info()
#File_id 기분으로 400개를 Training, 100개를 test
#DT Feature importance 추출, y-val = Packet Drop
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
# 'File_id'를 기준으로 데이터 분할
unique_file_ids = all_data['FileID'].unique()
train_file_ids, test_file_ids = train_test_split(unique_file_ids, train_size=80, random_state=42)
# 훈련 데이터와 테스트 데이터 선택
train_data = all_data[all_data['FileID'].isin(train_file_ids)]
test_data = all_data[all_data['FileID'].isin(test_file_ids)]
# 특성과 타겟 변수 분리
X_train = train_data.drop(['Second','NodeID','PacketDrop', 'FileID'], axis=1)
y_train = train_data['PacketDrop']
X_test = test_data.drop(['Second','NodeID','PacketDrop', 'FileID'], axis=1)
y_test = test_data['PacketDrop']
# Decision Tree 모델 훈련
dt = DecisionTreeClassifier(max_depth=10,min_samples_split=20,
min_samples_leaf=10, random_state=42)
dt.fit(X_train, y_train)
train_accuracy = dt.score(X_train, y_train)
test_accuracy = dt.score(X_test, y_test)
# 특성 중요도 추출
feature_importances = dt.feature_importances_
# 모델의 훈련 세트와 테스트 세트에서의 정확도 출력
print(f"\nDecision Tree Model Accuracy on Training Set: {train_accuracy:.4f}")
print(f"Decision Tree Model Accuracy on Test Set: {test_accuracy:.4f}")
# 특성 중요도와 해당 특성 이름을 매핑
feature_importance_dict = dict(zip(X_train.columns, dt.feature_importances_))
# 중요도 순으로 특성 정렬
sorted_features = sorted(feature_importance_dict.items(), key=lambda item: item[1], reverse=True)
# 정렬된 특성과 중요도 출력
print("Feature importances:")
for feature, importance in sorted_features:
print(f"{feature}: {importance:.4f}")
Feature importances: NNeighbor: 0.8158 Y: 0.0443 X: 0.0432 AverageLET: 0.0350 Variance: 0.0274 Speed: 0.0268 GoodNeighbor: 0.0075
결과는 다음과 같다. NNeighbor의 중요도가 너무 높게 나온다.
예상되는 문제점은 다음과 같다.
1. PhyRxDrop을 사용하였음. => MacRxDrop으로 바꾸어야 프로토콜의 성능을 평가하는데 더 옳은 지표가 될 것이다.
2. NNeighbor가 많으면 PacketDrop이 많은건 당연함. 그냥 내가 이웃이 많으니까 경로로 사용될 경우가 많을 것이 당연하다.
=> 따라서 우선 MacRxDrop으로 바꾸어서 평가 후, 결과가 달라지지 않으면 PacketLossRatio를 만들도록 ns3를 바꾸어줘야할 것 같다.
'학부연구생' 카테고리의 다른 글
Node Packet Drop Ratio를 예측하기 위한 Feature Selection-2 (0) | 2024.04.02 |
---|---|
Node Packet Drop Ratio를 예측하기 위한 Feature Selection-1 (0) | 2024.03.31 |
문제 해결을 위한 시뮬레이션 제작 및 Tracing source 추출-完 (0) | 2024.03.20 |
문제 해결을 위한 시뮬레이션 제작 및 Tracing source 추출-3 (0) | 2024.03.17 |
현재까지 제시된 Routing protocol based on ML - 2 (0) | 2024.03.17 |