في عصر يتطلب فيه الاتصال الفعال والموثوق ضمن الشبكات الصناعية، يبرز بروتوكول "Time Slotted Channel Hopping" (TSCH) كأحد الحلول الرائدة التي تعزز وسائل الوصول إلى الوسائط (MAC) بموجب معيار "IEEE 802.15.4e". يعمل هذا البروتوكول على ضمان نقل البيانات بكفاءة وموثوقية، إلا أن بروتوكولات الجدولة التقليدية تعتمد على تخصيصات زمنية ثابتة، مما يؤدي إلى الاستماع الفائض واستهلاك الطاقة غير الضروري، خاصة في ظل الظروف المرورية الديناميكية.

لذلك، جاء البحث الجديد لتقديم تقنية "RL-ASL"، والتي تعتمد على تعلم التعزيز (Reinforcement Learning) لتطوير إطار استماع تكيفي يقوم بتحديد متى يتم تفعيل أو تخطي الفتحات المخصصة للاستماع بناءً على ظروف الشبكة الفعلية. يقوم هذا النظام بدمج التعلم في تخطي الفتحات مع جدولة TSCH القياسية، مما يقلل من الاستماع الفائض مع الحفاظ على المزامنة وموثوقية النقل.

أظهرت النتائج التجريبية على مختبر "FIT IoT-LAB" ومحاكي شبكة "Cooja" أن التكنولوجيا الجديدة تخفض استهلاك الطاقة بنسبة تصل إلى 46% مقارنة ببروتوكولات الجدولة التقليدية، بينما تحافظ على موثوقية قرب الكمال وتقلل من متوسط زمن التأخير بنسبة تصل إلى 96% مقارنة بتقنية "PRIL-M". كما أن النسخة المعتمدة على الارتباط، "RL-ASL-LB"، تحسن أداء التأخير تحت الضغط العالي مع الحفاظ على كفاءة الطاقة نفسها.

الأهم من ذلك، أن تقنية "RL-ASL" تؤدي عمليات الاستدلال على أجهزة محدودة الموارد مع حمل إضافي ضئيل، حيث يتم تدريب النموذج بالكامل في بيئة خارجية. وبشكل عام، تقدم "RL-ASL" آلية جدولة عملية وقابلة للتوسع وواعية للطاقة للشبكات الصناعية منخفضة الطاقة في المستقبل.