Predicting user satisfaction to optimize AP selection in WLANs using Random Forests

Enllaç permanent

Descripció

  • Resum

    Nowadays, it is common to nd WiFi networks that have a central controller connected to all Access Points in the network to both organize them and collect relevant information from them. This creates huge amounts of data which can open new avenues for Machine Learning to be used in wireless networks, as the amount of data can be impossible to parse by a human. In this work, we propose a Supervised Learning model based on Random Forests that can parse all this data and allow us to predict the satisfaction of all users in the network. To study its performance, we create a simulated environment from which we can extract a data set to train the model. Afterwards, we use this model to analyze the importance of the metrics available and test it in the simulator to con rm its e ectiveness. We then use the same model to create a process in the simulated central controller that can reassociate users to Access Points that will o er a better service, reaching a higher network performance and increasing average user satisfaction.
    Avui dia és típic que una xarxa WiFi tingui una controladora central connectada a tots els punts d’accés de la xarxa, tant per configurar-los com per recollir informació rellevant de la seva activitat. Aquests processos creen grans quantitats de dades que ofereixen noves possibilitats per la utilització de Machine Learning en xarxes sense fils, ja que la quantitat d’informaci ́o generada pot ser impossible de processar per un humà. En aquest document proposem un model de Supervised Learning basat en Random Forests que ens permetrà predir la satisfacció de tots els usuaris en una xarxa. Hem creat una plataforma de simulació de la qual extraiem un data set amb el qual realitzar l’estudi. Un cop tenim el model, l’utilitzem per a analitzar les mètriques més importants d’una xarxa i el testem en la simulació per a confirmar la seva efectivitat. Finalment, utilitzem aquest model per a crear un procés a la controladora central que reassoci ̈ı usuaris a punts d’accés que puguin oferir un millor servei, obtenint un major rendiment de la xarxa i incrementant la satisfacció mitjana per usuari.
    Hoy día es habitual que una red WiFi tenga una controladora central conectada a todos los puntos de acceso de la red, tanto como para configurarlos como para recoger información relevante de su actividad. Estos procesos crean grandes cantidades de información que ofrecen nuevas posibilidades de utilizar Machine Learning en redes inalámbricas, ya que la cantidad de información generada puede ser imposible de procesar por un humano. En este documento proponemos un modelo de Supervised Learning basado en Random Forests que nos permitirá predecir el nivel de satisfacción de todos los usuarios de la red. Hemos creado una plataforma de simulación de la cual extraemos un data set con el cual realizaremos el estudio. Una vez tenemos el modelo, lo usamos para analizar las métricas más importantes de una red y lo testeamos en la simulación para confirmar su efectividad. Finalmente, utilizamos este modelo para crear un proceso en la controladora central que reasocie a usuarios a puntos de acceso que puedan ofrecer un mejor servicio, obteniendo un mayor rendimiento en la red e incrementando la satisfacci ́on media por usuario.
  • Descripció

    Treball fi de màster de: Master in Intelligent Interactive Systems
    Tutor: Boris Bellalta
  • Mostra el registre complet