Article · IA & agents
NS3Learn : remettre la contention radio dans les simulations V2X
Une distillation depuis ns-3 5G-LENA transfère les pertes du sidelink 5G NR dans une pile Veins/SUMO exploitable.
Quand un canal paraît trop fiable
Les simulations couplant trafic et réseau évaluent des systèmes de sécurité connectés à partir des messages effectivement reçus. Les modèles de canal hérités d’IEEE 802.11p représentent la propagation, mais pas toujours la compétition pour les ressources du sidelink 5G NR Mode-2 : collisions, périodes half-duplex, capture et décodage.
NS3Learn distille ces pertes depuis des traces ns-3 5G-LENA dans une cascade fermée utilisable dans OMNeT++, Veins et SUMO. Chaque étape garde un mécanisme nommé, au lieu de remplacer toute la pile protocolaire.
Un modèle fitté sur 10,5 millions de labels
Les auteurs utilisent 10,5 millions d’issues de réception produites par ns-3 5G-LENA, six niveaux de pénétration de 1 à 100 % et cinq graines par condition, puis testent deux réseaux urbains et un corridor. La livraison de référence baisse de 0,952 à 0,188 quand la densité augmente.
NS3Learn atteint une déviation absolue moyenne de 0,064 sur les labels vus, contre 0,441 pour la référence analytique combinée et 0,545 pour le canal non modifié. Sur un corridor inédit, l’erreur augmente d’environ 20 %, à 0,124 dans la condition rapportée. Changer uniquement le modèle de réception inverse aussi la tendance de vitesse simulée et multiplie par plus de deux le freinage dur dans le scénario présenté.
La fidélité ne se résume pas à la livraison
Deux modèles peuvent approcher un même taux de réception par des mécanismes différents. Ici, la capture et la dépendance à la densité déterminent les pertes ; sous une attaque de flooding à 1000 paquets par seconde, NS3Learn enregistre une hausse de perte côté canal de 0,176 dans la condition où la référence ns-3 réagit le plus, alors que les deux modèles de comparaison ne portent pas ce mécanisme.
Limites
NS3Learn est ajusté aux labels d’une configuration radio, d’un trafic et de scénarios déterminés ; sa bonne déviation sur ces labels n’est donc pas une validation indépendante de la physique. Changer de numérologie, de fréquence de messages ou de pool de ressources demande une nouvelle campagne de distillation. Le transfert vers d’autres géométries coûte aussi en précision et ne remplace pas une implémentation protocolaire complète.
Sources
Rasheed Bello, Arthur Mukwaya, Gurcan Comert, Varghese Vaidyan, Vijay Bendigeri et coauteurs, « NS3Learn: Transferring 5G NR Mode-2 Reception Realism from ns-3 to the Veins/SUMO Stack for Connected-Vehicle Safety Assessment », ArXiv 2609.20578v1, consulté le 22 septembre 2026 : résumé et preprint, PDF.