Zastosowanie uczenia maszynowego do sterowania szybkością transmisji w sieciach standardu IEEE 802.11

• Autorzy: Brytańczyk Aleksandra , Kosek-Szott Katarzyna

Identyfikatory

DOI

10.15199/59.2022.4.69

Warianty tytułu

EN

Application of machine learning for rate adaptation in IEEE 802.11 networks

• Konferencja: Multikonferencja Krajowego Środowiska Tele- i Radiokomunikacyjnego (7-9.09.2022 ; Warszawa, Polska)
• Języki publikacji: PL

Abstrakty

PL

Niniejszy artykuł przedstawia sposób adaptacji szybkości transmisji danych do warunków panujących w sieci z użyciem uczenia maszynowego. Zaproponowane rozwiązanie rozszerza działanie istniejącego algorytmu dla przypadku, kiedy stacja odbiorcza znajduje się poza zasięgiem stacji nadawczej. Wartości przepustowości uzyskiwane z użyciem zaproponowanego rozwiązania są porównywalne z wynikami uzyskiwanymi dla tradycyjnych algorytmów Minstrel i CARA.

EN

This paper describes how to adapt data transmission rates to the varying network conditions using machine learning. The proposed algorithm is based on an earlier state-of-the-art solution and extends its operation for the case when the receiver is outside the range of the transmitter. The throughput values obtained with the use of the proposed algorithm are comparable to the results obtained with the traditional Minstrel and CARA algorithms.

Słowa kluczowe

PL

IEEE 802.11; szybkość transmisji; uczenie maszynowe; uczenie ze wzmocnieniem

EN

IEEE 802.11; transmission speed; machine learning; reinforcement learning

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2022
• Tom: nr 4
• Strony: 408--411
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Brytańczyk Aleksandra

• AGH Akademia Górniczo-Hutnicza, Kraków

autor

Kosek-Szott Katarzyna

• AGH Akademia Górniczo-Hutnicza, Kraków

Bibliografia

• [1] Anderton William C., Trisha Chakraborty, Maxwell Young. 2021. "Windowed backoff algorithms for WiFi: theory and performance under." Distributed Computing, 34 (5): 367-393.
• [2] Baeldung. "Epsilon-Greedy Q-learning". Dostęp 23.06.2022. https://www.baeldung.com/cs/epislon­greedy-q-leaming.
• [3] Chen Syuan-Cheng, Chi-Yu Li, Chui-Hao Chiu. 2021. “An Experience Driven Design for IEEE 802.11 ac Rate Adaptation based on Reinforcement Learning." IEEE INFOCOM 2021.
• [4] Cho Soohyun. 2020. "Rate adaptation with Q-learning in CSMA/CA wireless networks. "Journal of lnformation Processing Systems, 16(5): 1048-1063.
• [5] Dokumentacja algorytmu Minstrel. Dostęp 23.06.2022. https://wireless.wiki.kemel.org/en/developers/Documentation/mac80211/RateControl/minstrel.
• [6] Gawłowicz Piotr, Anatolij Zubow. 2019. "Ns-3 meets OpenAI Gym:The Playground for Machine Learning in Networking Research". ACM MSWiM. 113-120.
• [7] Kim Jong-Seok, Seong-Kwan Kim, Sung-Hyun Choi, Daji Qiao. 2006. "CARA: Collision-Aware Rate Adaptation for IEEE 802.11 WLANs". IEEE INFOCOM 2006.
• [8] Symulator sieciowy ns-3. Dostęp 23.06.2022. https://www.nsnamorg/.
• [9] Wang Chiapin. 2013. "Dynamic ARF for throughput improvement in 802.11 WLAN via a machine­learning approach". Journal of Network and Computer Applications, 36 (2): 667-676.
• [10] Yin Wei, Peizhao Hu, Jadwiga lndulska, Marius Portmann, Ying Mao. 2020. "MAC-layer rate control for 802.11 networks: A survey". Wireless Networks , 26 (5): 3793-3830.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).