面向下一代 IEEE 802.11 WLAN 中信道绑定性能预测的机器学习
网络与互联网体系结构
2021-06-01 v1 人工智能
机器学习
摘要
随着人工智能(AI)赋能通信的出现,工业界、学术界和标准制定组织正在推进机制和流程的定义,以应对未来 5G 及更先进通信日益增加的复杂性。在此背景下,国际电信联盟(ITU)组织了首届 AI for 5G Challenge,将工业界与学术界聚集在一起,提出并解决与机器学习(ML)在网络中应用相关的代表性问题。在本文中,我们展示了由庞培法布拉大学(UPF)组织的 Problem Statement 13(PS-013)所收集的成果,其主要目标是预测应用信道绑定(CB)技术的下一代无线局域网(WLAN)的性能。具体而言,我们概述了参与者提出的 ML 模型(包括人工神经网络、图神经网络、随机森林回归和梯度提升),并分析了它们在基于 IEEE 802.11ax 的 Komondor 网络模拟器生成的开放数据集上的性能。所提方法达到的准确率证明了 ML 用于预测 WLAN 性能的适用性。此外,我们讨论了抽象 WLAN 交互以获得更好结果的重要性,并认为通过 ML 进行吞吐量预测无疑仍有改进空间。
引用
@article{arxiv.2105.14219,
title = {Machine Learning for Performance Prediction of Channel Bonding in Next-Generation IEEE 802.11 WLANs},
author = {Francesc Wilhelmi and David Góez and Paola Soto and Ramon Vallés and Mohammad Alfaifi and Abdulrahman Algunayah and Jorge Martin-Pérez and Luigi Girletti and Rajasekar Mohan and K Venkat Ramnan and Boris Bellalta},
journal= {arXiv preprint arXiv:2105.14219},
year = {2021}
}