image: This shows the impact of the mobility of stations on the performance obtained. view more
Credit: UPF
En un artículo, publicado en la edición avanzada en línea en la revista Computer Communications, se demuestra que el uso del aprendizaje máquina (machine learning) puede mejorar el funcionamiento y las prestaciones de las redes WiFi del futuro, aquellas que formarán parte del ecosistema 5G/6G. Una investigación de Marc Carrascosa y Boris Bellalta, investigadores del Wireless Networking Research Group del Departamento de Tecnologías de la Información y las Comunicaciones (DTIC) de la UPF.
Los autores centran su estudio en cómo mejorar la asociación de usuarios de redes WiFi formadas por múltiples puntos de acceso, con el objetivo de poder dar servicio a un número elevado de usuarios. Este tipo de redes WiFi están presentes en entornos empresariales, académicos, o en espacios públicos de las ciudades (calles, parques, bibliotecas, etc.).
"En este trabajo estudiamos como las estaciones (PCs, tablets, móviles, etc.) pueden por sí mismas decidir de manera dinámica cuál de los diferentes puntos de acceso disponibles en su área de cobertura es el que ofrece un mejor servicio para sus necesidades utilizando técnicas de Reinforcement Learning", explican Carrascosa y Bellalta.
Cada estación toma decisiones de manera dinámica
En esta propuesta, cada estación es autónoma y toma decisiones dinámicamente basándose en la calidad del servicio que le ofrece la red WiFi a lo largo del tiempo, es decir, la estación va aprendiendo de manera autónoma como la red WiFi se comporta, identificando cuál es el impacto de sus propias acciones (escoger uno u otro punto de acceso) en las prestaciones recibidas.
"Para hacer este aprendizaje, utilizamos como base un algoritmo llamado ε-greedy, que alterna entre escoger puntos de acceso al azar para obtener información (explorar), y escoger el mejor de los puntos de acceso utilizados basándose en esta información acumulada (explotar) ", indican los autores. "De este modo, cuanto más información obtenemos mejores decisiones tomamos, teniendo en cuenta que existe un compromiso entre el tiempo que una estación puede dedicarse a aprender y el tiempo que tiene disponible para usar lo que ha aprendido de manera exitosa", añaden.
Un nuevo algoritmo que acorta el tiempo de aprendizaje de la estación
Para resolver las limitaciones del algoritmo ε-greedy, como podría ser el elevado tiempo de aprendizaje, en este trabajo los autores proponen un nuevo algoritmo, llamado ε-sticky, que incluye el concepto de apego (en inglés emocional attachment). Funciona de manera que, una vez la estación ha encontrado un punto de acceso que da el servicio solicitado, aunque más adelante deje de hacerlo, no lo descarta inmediatamente para buscar otro de nuevo con la esperanza de que en el futuro vuelva a dar el mismo buen servicio.
Con esta nueva propuesta, se reducen las interrupciones en el servicio de los usuarios y la inestabilidad en la red, lo que beneficia también a aquellas estaciones que aún no han encontrado un punto de acceso que les ofrezca el servicio requerido. "Aunque no es objetivo del trabajo, la extrapolación con el comportamiento social de los seres humanos es bastante directo, así como la interpretación en este ámbito de los resultados que presentamos", comentan Carrascosa y Bellalta.
"En el artículo estudiamos el impacto de esta modificación y cómo nos permite obtener mejores resultados para el problema de la asociación WiFi. El objetivo final es mostrar la efectividad de las técnicas de aprendizaje máquina para solucionar problemas en las redes WiFi que no son fáciles de resolver con mecanismos preconfigurados. En nuestros resultados también mostramos que no es necesario que todas las estaciones hagan uso de estas técnicas, ya que si sólo unas cuantas estaciones implementan el nuevo algoritmo, toda la red se beneficia", manifiestan los autores del trabajo.
###
Journal
Computer Communications