Improving user association in high-density WLANs using machine learning

Abstract

When deploying a Wi-Fi network, it is common to have the coverage area of multiple Access Points (APs) overlapping as to ensure that no area is left without service. This and the ever increasing amount of wireless devices that users carry can create a lot of additional interference to the network. As a result, the optimal AP - end user device association has become quite a challenge. Our aim is to study the current problems in 802.11 networks, such as associating an end user’s Wi-Fi station (STA) to an AP only using the received signal strength, which can overcrowd an AP and leave another underused. We will also investigate current efforts to mitigate these issues, as well as design new association schemes that take into consideration the information acquired by the APs and end user STAs to improve user satisfaction, which we will measure in number of successful transmissions, as well as amount of bandwidth obtained by each STA. We will attempt to do this by using machine learning algorithms that will dynamically improve the association of STAs over time.És habitual al fer un desplegament de xarxes Wi-Fi que les àrees de cobertura de diversos Punts d’Accés (APs) coincideixin per tal d’assegurar que es pugui aconseguir una connexió en qualsevol punt del desplegament. Si a això li sumem que el nombre de dispositius sense fils per persona augmenta cada vegada més, trobem que la quantitat d’interferència que hi ha en una xarxa és molt alta. Com a conseqüència, trobar una associació òptima entre l’usuari i l’AP és una tasca complicada. El

nostre objectiu és estudiar els problemes actuals en l’associació del IEEE 802.11, un dels quals és fer servir la potència de senyal rebuda com a criteri d’associació, cosa que pot sobrecarregar un AP i deixar-ne un altre amb molt pocs usuaris. També estudiarem el treball que s’està portant a terme actualment per a mitigar aquests problemes i intentarem dissenyar nous mecanismes d’associació que considerin la informació obtinguda pels APs i els terminals finals per a millorar la satisfacció dels usuaris. Pretenem utilitzar algorismes de Machine Learning que milloraran l’associació de la xarxa de manera progressiva.Es habitual al hacer un despliegue de redes Wi-Fi que las áreas de cobertura de varios Puntos de Acceso (APs) coincidan para asegurar que se pueda conseguir una conexión en cualquier punto del despliegue. Si a esto le sumamos que el número de dispositivos inalámbricos por persona aumenta cada vez más, encontramos que la cantidad de interferencia que hay en una red es muy alta. Como consecuencia, encontrar una asociación óptima entre el usuario y el AP es una tarea complicada. Nuestro objetivo es estudiar los problemas actuales en la asociación del IEEE 802.11, uno de los cuales es usar la potencia de señal recibida como criterio de asociación, cosa que puede sobrecargar un AP y dejar otro con muy pocos usuarios. También estudiaremos el trabajo que se está llevando a cabo actualmente para mitigar estos problemas e intentaremos diseñar nuevos mecanismos de asociación que consideren la información obtenida por los APs y los terminales finales para mejorar la satisfacción de los usuarios. Pretendemos utilizar algoritmos de Machine Learning que mejorarán la asociación de la red de manera progresiva.