Social-Similarity-based Routing Algorithm in Delay Tolerant

Networks
Abstract
Delay Tolerant Network (DTN) adalah jenis jaringan seluler nirkabel yang tidak menjamin
konektivitas jaringan berkelanjutan. Salah satu aplikasi dapat ditemukan di jaringan komunikasi sosial
yang semakin berkembang di mana-mana dengan perkembangan perangkat seluler yang lebih portabel,
terjangkau, dan kuat. Dalam jaringan seperti itu, orang-orang bergerak dan menghubungi satu sama lain
berdasarkan kepentingan bersama mereka. Baru-baru ini, beberapa protokol routing berbasis fitur sosial
yang memanfaatkan fitur sosial yang direkam untuk mengarahkan routing ke arah yang benar telah
diusulkan. Dalam protokol tersebut, setiap node menemukan perbedaan fitur sosial dengan tujuan.
Routing karenanya menjadi proses untuk menyelesaikan perbedaan fitur sosial antara sumber dan
tujuan. Namun, kami percaya bahwa hanya membedakan node dengan fitur sosial "sama" atau
"berbeda" tidak cukup dalam mencerminkan perilaku dinamis node. Oleh karena itu, kami mengajukan
SOSIM, algoritme routing baru yang menggunakan metrik kesamaan dari penambangan data pada
riwayat kontak node untuk mengevaluasi kesamaan sosial antar node secara lebih akurat. Untuk
meningkatkan efisiensi, kami menerapkan delegation forwarding dalam algoritme kami. Analisis
menunjukkan bahwa algoritme kami dapat meningkatkan kinerja routing dengan biaya implementasi
yang rendah. Hasil simulasi menggunakan jejak nyata juga menunjukkan bahwa algoritma kami
mengungguli yang sudah ada

Introduction
Delay Tolerant Network (DTN) adalah jenis jaringan seluler nirkabel yang mungkin kekurangan
konektivitas jaringan berkelanjutan. Itu dapat muncul dalam aplikasi berikut: jaringan komunikasi satelit
[14], jaringan area desa [6], jaringan kendaraan yang terhubung [1], dan jaringan komunikasi sosial [7].
Seiring berkembangnya perangkat seluler yang lebih portabel, terjangkau, dan kuat seperti ponsel
cerdas, tablet, dan laptop, jaringan komunikasi sosial menjadi lebih mudah ditemukan di mana-mana.
Dalam jaringan seperti itu, orang-orang bergerak dan berhubungan berdasarkan kepentingan bersama
mereka. Karena itu, fitur sosial orang memainkan peran penting dalam pola kontak mereka.
Baru-baru ini, beberapa skema routing DTN berbasis fitur sosial telah diusulkan [5], [13]. Idenya
adalah untuk menggunakan fitur sosial dari sebuah node (individu) untuk panduan routing. Fitur F1, F2,
··· dapat merujuk pada kebangsaan, kota, bahasa, dan sebagainya. Intuisinya adalah bahwa orang-orang
lebih sering berhubungan jika mereka memiliki lebih banyak kesamaan fitur sosial. Dalam proses
routing, perbedaan fitur diselesaikan hop-by-hop sampai tujuan tercapai. Misalnya, anggap kita
mempertimbangkan empat fitur sosial: {N ationality, City, Afiliasi, Bahasa}. Misalkan nilai tujuan D dalam
empat fitur sosial ini adalah: {USA, NewYork, Student, English}. Ini adalah fitur sosial target yang ingin
dicapai oleh sumber, jadi kami menetapkan vektor D ke {1, 1, 1, 1}. Misalkan ada sumber yang ingin
mengirim pesan ke D. Jika memiliki nilai yang sama untuk fitur Fi, maka nilai dalam dimensi Fi-nya diset
ke 1, sebaliknya disetel ke 0. Misalkan sumber tidak memiliki kesamaan dengan tujuan, sehingga
vektornya adalah {0, 0, 0, 0}. Proses routing kemudian mencoba untuk menyelesaikan perbedaan antara
{0, 0, 0, 0} dan {1, 1, 1, 1} melalui node perantara. Jalur yang mungkin, diwakili oleh vektor fitur sosial
node, adalah {0, 0, 0, 0} → {1, 0, 0, 0} → {1, 0, 1, 0} → {1, 1, 1 , 0} → {1, 1, 1, 1}.
 Dalam makalah ini, kami mengambil ide selangkah lebih maju, dimotivasi oleh kenyataan bahwa
ciri-ciri sosial orang tidak selalu mencerminkan perilaku dinamis mereka. Misalnya, pertimbangkan
orang-orang dari New York yang benar-benar menghabiskan sebagian besar waktunya di Texas. Nilai
fitur sederhana di profil mereka tidak akan mencerminkan perilaku dinamis mereka. Situasi lain adalah
bahwa dalam kehidupan nyata, kebanyakan orang berkomunikasi dengan orang-orang yang memiliki
banyak kesamaan fitur sosial. Jadi jika kita hanya melihat 1 atau 0 perbedaan fitur sosial, maka sulit
untuk membedakan mana yang lebih baik. Misalnya, anggap kita hanya mempertimbangkan fitur sosial
seperti {City, Aff iliation}. Misalkan nilai fitur sosial destinasi D dalam dua dimensi ini adalah {NewYork,
Student}. Kemudian vektor dari dua kandidat forwarder A dan B yang memiliki nilai fitur sosial yang
sama dengan D keduanya akan diset ke {1, 1}, yang membuatnya tidak dapat dibedakan.
Oleh karena itu, kami mengusulkan cara yang lebih akurat untuk mengevaluasi kedekatan sosial
atau kesamaan node yang memperhitungkan perilaku dinamisnya. Metode kami menggunakan rasio
pertemuan node dengan node lain yang memiliki nilai fitur sosial ini dalam sejarah. Untuk contoh di
atas, jika node A bertemu warga New York 90% dari waktu dan siswa 80% dari waktu sementara
frekuensi B untuk pertemuan yang sama adalah 60%, 40% selama waktu yang kita amati, maka kita
dapat memberi tahu kandidat A adalah pilihan yang lebih baik. Secara umum, kandidat yang lebih baik
adalah kandidat yang secara sosial lebih mirip dengan kandidat ideal R yang memiliki vektor {100%,
100%}, yang berarti ia selalu bertemu dengan orang-orang seperti destinasi tersebut. Jadi kunci untuk
mengevaluasi calon forwarder dengan lebih akurat adalah dengan menghitung kesamaan sosial antar
node berdasarkan riwayat kontak mereka. Kami memperoleh metrik kesamaan dari yang ada di data
mining [3] dan akan mengeksplorasi metrik kesamaan Euclidean, Weighted Euclidean, dan Tanimoto.
Berdasarkan ide di atas, kami mengajukan algoritma routing baru yang disebut SOSIM
berdasarkan kesamaan sosial node jika riwayat kontak mereka dipertimbangkan. Selain itu, untuk
mencapai routing yang efisien, kami menerapkan delegation forwarding [2]. Delegation forwarding
diketahui menurunkan biaya pengiriman yang diharapkan dari O(n) ke O(√n), di mana n adalah jumlah
node dalam jaringan. Dalam delegation forwarding, salinan ditransfer ke node yang baru ditemui jika
node tersebut "lebih dekat" ke tujuan daripada node lain yang telah dipenuhi oleh node saat ini. Di sini,
kami menggunakan kesamaan sosial sebagai metrik penerusan. Analisis menunjukkan bahwa SOSIM
dapat meningkatkan rasio pengiriman dan mengurangi latensi dengan biaya implementasi yang rendah.
Hasil simulasi yang membandingkan SOSIM dengan algoritma yang ada juga menunjukkan efisiensinya.
Sisa makalah ini disusun sebagai berikut: Bagian II mengacu pada karya-karya terkait; Bagian III
menyajikan algoritma routing kami; Bagian IV memberikan analisis; Bagian V menunjukkan hasil
simulasi; dan kenodean ada di Bagian VI.

Related Works
Rudimental Approach
Salah satu pendekatan routing dasar dalam DTN adalah dengan melakukan pencarian rute
berbasis Flooding seperti pada [12] di mana sebuah host akan meneruskan pesan ke semua host yang
bersentuhan dengannya sehingga penyebaran pesan seperti epidemi penyakit. Routing berbasis
Flooding dan turunannya menggunakan banyak salinan dari satu pesan untuk mengurangi latensi dan
meningkatkan rasio pengiriman dan ketahanan. Namun, mereka memiliki biaya tinggi [10]. Algoritme
dasar lainnya dalam DTN adalah Tunggu (atau pengiriman langsung) [4], di mana sumber tidak
meneruskan salinan ke node perantara sama sekali. Itu hanya menunggu dan mengirim pesan ke tujuan
ketika mereka bertemu. Dalam pendekatan ini, jumlah salinannya rendah (hanya satu salinan) tetapi
latensinya bisa sangat tinggi. Algoritme looding dan Wait akan digunakan sebagai benchmark untuk
simulasi kami.
Social-feature-based Approach
Beberapa algoritma routing DTN yang lebih baru menggunakan fitur sosial untuk memandu
routing. Dalam [5], Mei et al. menemukan bahwa individu dengan fitur sosial yang serupa cenderung
lebih sering melakukan kontak di DTN. Individu dicirikan oleh profil fitur berdimensi tinggi, meskipun
biasanya hanya sebagian kecil fitur penting yang diekstraksi dari profil fitur. Meskipun ide awal routing
berbasis fitur sosial diusulkan oleh [5], Wu et al. [13] memberikan pendekatan sistematis untuk routing
multi-jalur di ruang fitur dengan memanfaatkan properti struktural hypercubes untuk menyelesaikan
perbedaan fitur sosial antara sumber dan tujuan. Keuntungan dari pendekatan berbasis fitur sosial
adalah tidak perlu merekam riwayat kontak node. Kekurangannya adalah tidak dapat secara akurat
menangkap perilaku dinamis dalam jaringan. Oleh karena itu, diperlukan algoritma routing baru yang
dapat beradaptasi dengan perilaku dinamis suatu node.

Routing Protocol
Di bagian ini, kami mengajukan algoritma routing yang disebut SOSIM yang mengidentifikasi kandidat
penerusan terbaik menggunakan kesamaan sosial node berdasarkan riwayat kontak mereka.
A. Routing Algorithm
Algoritma routing ditunjukkan pada Gambar. 1, di mana kami mempertimbangkan m fitur sosial
dalam jaringan. Setiap node individu memiliki vektor berdasarkan fitur sosialnya. Untuk
kenyamanan, kami menggunakan label node sebagai label vektornya. Jadi, node X memiliki vektor
X<x1, x2, ··· , xm> dan node Y memiliki vektor Y<y1, y2, ··· , ym> . Metrik S(X, Y ), yang detailnya
dijelaskan di bagian berikutnya, digunakan untuk menghitung kesamaan sosial antara dua node X
dan Y . Dalam proses routing, kami menerapkan ide delegation forwarding yang diusulkan oleh
Erramilli et al. [2] karena dapat menurunkan biaya pengiriman pesan yang diharapkan dari O(n) ke
O(√n), di mana n adalah jumlah node dalam jaringan. Gagasan utama delegation forwarding adalah
bahwa ia memberikan kualitas dan nilai level ke setiap node. Nilai kualitas sebuah node di sini
adalah S(X, Y ) dan nilai levelnya adalah τ . Awalnya, nilai level setiap node sama dengan nilai
kualitasnya. Selama proses routing, pemegang pesan membandingkan kualitas node yang
ditemuinya dengan levelnya sendiri. Itu hanya meneruskan pesan ke node dengan kualitas yang
lebih tinggi dari levelnya sendiri. Selain itu, pemegang pesan menaikkan levelnya sendiri ke kualitas
node kualitas yang lebih tinggi. Hasil dari delegation forwarding adalah bahwa sebuah node akan
meneruskan pesan hanya jika bertemu dengan node lain yang metrik kualitasnya lebih besar
daripada yang dilihat oleh node sejauh ini.

B. Social Similarity Metrics S(X, Y )

Untuk mengevaluasi kesamaan dua node dengan cara yang lebih akurat, kami melihat rasio
pertemuan node sebelumnya. Setiap node individu X memiliki vektor dengan panjang
Mi
m: ⟨ x 1 , x 2 , … , x m ⟩ di mana x i= , Itu adalah :
M total

⟨ x1 , x2 , … , xm⟩= ⟨ M1
,
M2
,
M3
M total M total M total
,…,
Mm
M total ⟩
di mana Mi adalah jumlah pertemuan X dengan node yang fitur sosial Fi sama dengan fitur tujuan Fi,
dan Mtotal adalah jumlah total pertemuan X dengan node lain dalam sejarah yang kita amati. Jadi
0≤xi≤1 untuk semua 1≤i≤m. Dengan vektor node yang ditentukan, tugas selanjutnya adalah
menggunakan metrik kesamaan untuk membandingkan kesamaan dua vektor. Sekarang heuristik
untuk memilih forwarder terbaik dalam routing menjadi pemilihan node yang vektornya paling mirip
dengan forwarder ideal R untuk node tujuan. Forwarder R yang ideal adalah node teoretis yang
bertemu orang-orang seperti tujuan D sepanjang waktu. Oleh karena itu vektornya terdiri dari m
100%s: <100%, 100%, ··· 100%>.

Berbagai metrik kesamaan yang kami gunakan dalam algoritma routing kami berasal dari data
mining [3]. Dalam metrik kami, 1 berarti 100% identik dan 0 berarti tidak serupa sama sekali. Untuk
menangani berbagai nilai data sosial, kami menormalkan output semua metrik ke kisaran [0, 1].
Dengan rincian sebagai berikut:
1) Kemiripan Tanimoto: Koefisien Tanimoto untuk mengukur kesamaan X dan Y adalah:

di mana X · Y adalah hasil kali titik dari dua vektor.

Misalnya, kita melihat tiga fitur sosial: Kota, Bahasa, dan Posisi dalam jaringan. Jika nilai fitur
sosial tujuan D adalah: <NewY ork, English, Student> dan node X telah bertemu orang-orang dari
New York 70% dari waktu, orang yang berbicara bahasa Inggris 93% dari waktu, dan siswa 41%
dari waktu dalam sejarah yang kita amati, maka node X memiliki vektor X = 0,7, 0,93, 0,41 . Dan
forwarder R yang ideal untuk D harus memiliki vektor R = 1, 1, 1 . Menggunakan metrik
Tanimoto dalam persamaan (2), S(X, R)=0.82.
2) Kesamaan Euclidean: Kita juga dapat menggunakan jarak Euclidean untuk mengukur kesamaan
sosial suatu node dengan node lain. Untuk membuat definisi kesamaan konsisten, kami
menormalkan definisi asli kesamaan Euclidean ke kisaran [0, 1] dan menguranginya dari 1.
Sekarang kesamaan Euclidean dari X ke Y didefinisikan sebagai:
3) Weighted Euclidean Similarity:: Selain kesamaan Euclidean dasar yang disebutkan di atas, kami
juga menggunakan kesamaan Euclidean berbobot. Untuk menentukan bobot fitur sosial, kami
menggunakan entropi Shannon [9] yang mengkuantifikasi nilai yang diharapkan dari informasi
yang terkandung dalam fitur [13]. Entropi Shannon untuk fitur sosial tertentu dihitung sebagai:

di mana wi adalah entropi Shannon untuk fitur Fi, <f1, f2, ··· fk> adalah nilai yang mungkin dari
fitur Fi , dan p menunjukkan fungsi massa probabilitas dari F i. Kemiripan Euclidean terbobot yang
dinormalisasi ke kisaran [0, 1] adalah sebagai berikut:

Analysis
Di bagian ini, kami menunjukkan bahwa algoritme kami dapat meningkatkan kinerja
routing melalui algoritme berbasis fitur sosial dengan biaya implementasi yang rendah. Proses
routing delegasi berbasis kesamaan sosial kami dapat dijelaskan oleh Gambar. 2. B1, B2, ··· ,
Bn−1 mewakili node. Asumsikan B1 adalah sumber dan node D adalah tujuan. Panah solid
antara dua node menyatakan bahwa mereka langsung bertemu satu sama lain. Dari B1 ke Bn−1
pada jalur horizontal pada Gambar 2, kemiripan node dengan node ideal R yang bertemu node
seperti tujuan setiap saat meningkat dan kemungkinan untuk memenuhi tujuan juga meningkat.
Dengan setiap hop penerusan, pesan sampai ke node yang lebih mirip dari sebelumnya ke
penerus ideal tujuan. Latensi untuk menyampaikan pesan dari node Bi ke tujuan D dapat
dinyatakan sebagai:

di mana J XY mewakili latensi jika node X bertemu langsung dengan node Y , dan L XY
mengacu pada latensi yang diperlukan agar pesan berpindah dari X ke Y melalui pertemuan
langsung dua atau melalui beberapa node perantara. Dengan istilah lain, rumus tersebut berarti
bahwa latensi pesan dari Bi ke D adalah latensi minimum dari berikut ini: Bi bertemu D secara
langsung, pesan dikirim ke Bi+1 dari Bi dan kemudian Bi+1 bertemu D secara langsung, pesan
dikirim ke Bi+2 dari Bi dan Bi+2 bertemu D secara langsung, dan seterusnya.
Sekarang ambil dua node Bi dan Bj (i<j) pada jalur horizontal dari B1 ke D. Jika mereka
memiliki nilai fitur sosial yang sama dengan D, misalnya, keduanya adalah warga New York dan
Siswa, tetapi Bi tinggal di Texas dan Bj tinggal di New York. Pada algoritma routing berbasis fitur
sosial yang ada, kedua vektornya adalah <1, 1> dan tidak dapat dibedakan. Dalam algoritme
kami, node Bj memiliki kemiripan yang lebih dekat dengan forwarder ideal R of D karena lebih
banyak bertemu dengan warga New York. Jika dipilih sebagai penerus berikutnya, maka
kemungkinan besar akan mengurangi latensi dan memiliki peluang lebih tinggi untuk
menyampaikan pesan ke tujuan. Selain itu, algoritme kami dapat diimplementasikan dengan
biaya rendah jika sebuah node menggunakan m counter (untuk m fitur) untuk mencatat jumlah
waktu pertemuan dengan node lain yang memiliki nilai yang sama di setiap fitur dan penghitung
untuk jumlah total pertemuan di periode waktu yang diamati untuk menghitung rasio
pertemuan.