Perpustakaan Digital ITB

Vehicular Ad Hoc Networks (VANETs) menghadapi tantangan kinerja signifikan dalam skenario lalu lintas padat di mana kongesti dan interferensi menuntut adaptasi parameter secara cerdas. Disertasi ini mengusulkan kerangka kerja dual-agent Q-learning untuk IEEE 802.11bd VANETs yang secara bersama mengoptimalkan daya transmisi, pemilihan Modulation and Coding Scheme (MCS), dan adaptasi laju beacon pada konfigurasi antena sektoral dan omnidireksional. Kerangka kerja dual-agent menggunakan dua agen RL terpisah yang mengurangi kompleksitas state-action space dari 3,3 miliar menjadi 15,44 juta entries (reduksi sekitar 99,5%) dengan memory footprint 62 MB. Penelitian mengembangkan tiga kontribusi utama: testbed programmable 100 Gbps berbasis P4 switch dan SDN controller yang mencapai throughput 95–100 Gbps; framework dual-agent Q-learning untuk optimisasi cross-layer yang dapat dijalankan pada OBU komersial; dan simulator CANVAS yang mengimplementasikan standar IEEE 802.11bd. Simulasi dengan 20–90 kendaraan pada highway 500 meter menunjukkan perbaikan pada seluruh metrik utama. Kerangka dual-agent mencapai pengurangan latensi sekitar 50% (36,0 ms terhadap 71,6 ms pada omnidireksional dan 31,7 ms terhadap 68,3 ms pada sektoral) dan penurunan daya pancar sekitar 55% (9,0 dBm dan 8,7 dBm terhadap 20,0 dBm) dibandingkan konfigurasi statis. Berbeda dengan dugaan awal bahwa penghematan daya harus dibayar dengan keandalan, PDR justru naik dari 74,3% menjadi 86,4% pada omnidireksional dan dari 74,9% menjadi 88,5% pada sektoral, sedangkan throughput naik dari 5,66 Mbps menjadi 9,92 Mbps dan dari 6,07 Mbps menjadi 11,28 Mbps. Perolehan PDR berkisar 5 percentage points pada 20 kendaraan hingga 16 percentage points pada 90 kendaraan, dan tetap berada di atas ambang minimum SAE J2945/1 sebesar 85% pada seluruh rentang kepadatan yang diuji. Dual-agent konvergen dalam 8.500 episodes, 32% lebih cepat dari single-agent tereduksi (12.500 episodes) dan lebih cepat dibanding DQN (14.000–35.000 episodes), PPO (18.000 episodes), serta SAC (20.000 episodes). Analisis komparatif antena pada pengaturan zero-gain menunjukkan konfigurasi sektoral unggul pada throughput, latensi, beban kanal, dan efisiensi daya, tetapi tidak pada keandalan: selisih PDR antara kedua konfigurasi antena tidak terbukti signifikan (p = 0,42). Pada perbandingan lintas algoritma di kepadatan 60 kendaraan, PPO unggul tipis pada keempat metrik jaringan; klaim yang dipertahankan penelitian ini karena itu bukan superioritas kualitas kebijakan, melainkan kelayakan penerapan pada perbedaan kualitas yang kecil, yaitu inferensi 5 ?s tanpa GPU berbanding 180–210 ?s dengan GPU. Kontribusi utama meliputi formulasi MDP dual-agent untuk optimisasi cross-layer, testbed 100 Gbps untuk REN, simulator CANVAS open-source, dan analisis komprehensif tradeoff antara konfigurasi antena, strategi optimisasi, dan persyaratan aplikasi VANET.