ARTSN: Penjadwalan Lalu Lintas Self-triggered yang Eksak dan Adaptif untuk Jaringan ARTS

Sistem real-time otonom (ARTS), seperti kendaraan tanpa pengemudi dan lini perakitan robotik, semakin banyak diterapkan untuk meningkatkan efisiensi, akurasi, dan responsivitas dengan intervensi manusia yang berkurang. Pada jaringan ARTS, lalu lintas self-triggered (ST)—yang dipicu oleh pengambilan keputusan internal alih-alih jadwal tetap atau peristiwa eksternal—semakin umum dan berperan penting dalam memungkinkan tindakan otonom yang tepat waktu. Namun, penjadwal jaringan yang ada tidak cukup mendukung lalu lintas ST karena dua tantangan yang melekat: volatilitas, di mana jitter pemrosesan yang terbatas menyebabkan waktu kedatangan yang tidak pasti, dan ketidakhadiran, di mana sumber daya jaringan yang telah dipesan tetap kurang termanfaatkan ketika lalu lintas ST tidak terwujud. Untuk mengatasi tantangan ini, penulis mengusulkan ARTSN, sebuah paradigma penjadwalan yang disesuaikan untuk ST dan dibangun di atas time-sensitive networking (TSN).

Eksperimen ekstensif pada simulator TSN dan testbed dunia nyata menunjukkan bahwa ARTSN secara signifikan meningkatkan kelayakan jadwal, skalabilitas, dan efisiensi dibandingkan metode state-of-the-art sambil mempertahankan jaminan transmisi yang andal. Penulis melaporkan bahwa ARTSN mencapai rasio kelayakan jadwal yang lebih tinggi, yang berarti lebih banyak aliran ST dapat ditampung tanpa melanggar tenggat waktu. Skalabilitas meningkat seiring bertambahnya jumlah aliran, dan efisiensi ditingkatkan melalui pengurangan pemborosan sumber daya akibat mekanisme pelepasan slot online. Eksperimen membandingkan ARTSN dengan penjadwal yang ada yang tidak secara khusus menargetkan lalu lintas ST, menunjukkan keunggulan yang konsisten di berbagai skenario.