用于 WLAN 干扰估计的跨网络可迁移神经模型
网络与互联网体系结构
2022-11-28 v1 人工智能
摘要
空口占用干扰是 WLAN 的一项关键性能指标，它衡量在给定时间段内，节点在发送或接收前被迫等待其他传输的时间占比。能够准确估计由特定状态改变（例如信道、带宽、功率）引起的干扰，将实现对 WLAN 资源的更好控制，在实际实施前评估某配置的影响。本文采用一种严谨的方法进行 WLAN 干扰估计。我们首先利用真实数据刻画影响其的因素，并推导出一组相关的合成工作负载，以便在准确性、泛化性以及对离群数据的鲁棒性方面对各种深度学习架构进行受控比较。我们发现（不出所料）图卷积网络（GCNs）总体表现最佳，充分利用了校园 WLAN 固有的图结构。我们注意到，与例如 LSTM 不同，除非额外给定节点索引，否则它们难以学习特定节点的行为。我们最后通过将训练好的模型应用于训练时未见过实际部署，验证了 GCN 模型的泛化能力。
引用
@article{arxiv.2211.14026,
title = {Cross-network transferable neural models for WLAN interference estimation},
author = {Danilo Marinho Fernandes and Jonatan Krolikowski and Zied Ben Houidi and Fuxing Chen and Dario Rossi},
journal= {arXiv preprint arXiv:2211.14026},
year = {2022}
}