认知Wi-Fi网络中基于机器学习的切换预测与接入点选择
网络与互联网体系结构
2022-05-31 v2 机器学习
摘要
密集Wi-Fi网络中的设备移动性带来了若干挑战。与设备移动性相关的两个著名问题是切换预测和接入点选择。由于无线环境的复杂性，解析模型可能无法刻画无线信道，这使得这些问题的求解非常困难。近年来，采用复杂学习技术的认知网络架构正越来越多地应用于此类问题。本文提出数据驱动的机器学习(ML)方案，以高效解决无线局域网(WLAN)中的这些问题。我们对所提方案进行了评估，并将结果与上述问题的传统方法进行比较。结果表明，应用所提方案后网络性能有显著提升。所提切换预测方案优于传统方法，即接收信号强度法和行进距离法，分别将不必要的切换次数减少了60%和50%。类似地，在接入点选择中，所提方案优于最强信号优先和最少负载优先算法，分别实现了高达9.2%和8%的更高吞吐量增益。
引用
@article{arxiv.2111.13879,
title = {ML-based Handover Prediction and AP Selection in Cognitive Wi-Fi Networks},
author = {Muhammad Asif Khan and Ridha Hamila and Adel Gastli and Serkan Kiranyaz and Nasser Ahmed Al-Emadi},
journal= {arXiv preprint arXiv:2111.13879},
year = {2022}
}