Czasopismo | PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE | Rocznik 2023 - zeszyt 4

Zastosowanie uczenia maszynowego w lokalnych sieciach bezprzewodowych

Application of machine learning in wireless local area networks

10.15199/59.2023.4.1

SZYMON SZOTT

nr katalogowy: 144702
10.15199/59.2023.4.1

Streszczenie

Pomocą w rozwiązaniu wyzwań stojących przed kolejnymi generacjami lokalnych sieci bezprzewodowych mogą okazać się metody oparte na uczeniu maszynowym (machine learning, ML). Celem niniejszego referatu jest przybliżenie tematyki zastosowania ML do poprawy wydajności sieci IEEE 802.11. Przedstawiono rodzaje uczenia maszynowego oraz przykłady zastosowań w sieciach Wi-Fi. Opisano działalność grupy IEEE 802.11 AIML TIG oraz wyznaczono przyszłe kierunki badań.

Abstract

Methods based on machine learning (ML) can prove to be helpful in addressing the challenges faced by future generations of wireless local area networks. The aim of this paper is to provide an overview of the application of ML to improve the performance of IEEE 802.11 networks. Various types of machine learning and examples of their applications in Wi-Fi networks are presented. The activities of the IEEE 802.11 AIML TIG are described and future research directions are outlined.

Słowa kluczowe

Keywords

Bibliografia

[1] Ansley, Carol i inni. „802.11bc Functional Requirements Document.” IEEE 802.11 September 2022 Interim Meeting. Dostęp 17 czerwca 2023. https://mentor.ieee.org/802.11/dcn/19/11-19-0151-05- -00bc-802-11bc-functional-requirements-document.doc.
[2] Bellalta, Boris, Szymon Szott. 2022. „Wi-Fi Meets ML: Re-thinking Next Generation Wi-Fi Networks.” IEEE 802.11 November 2022 Plenary Meeting. Dostęp 17 czerwca 2023. https://mentor.ieee. org/802.11/dcn/22/11-22-1784-01-0000-wi-fi-meets-ml-re-thinking-next-generation-wi-fi-networks-nov-tutorial.pptx.
[3] Berry, Michael W., Azlinah Mohamed, Bee Wah Yap. 2019. „Supervised and unsupervised learning for data science”. Springer Nature.
[4] Bojovic, Biljana, Nicola Baldo, Jaume Nin-Guerrero, Paolo Dini. 2011. „A supervised learning approach to cognitive access point selection.” 2011 IEEE GLOBECOM Workshops (GC Wkshps).
[5] Ciezobka, Wojciech, Maksymilian Wojnar, Katarzyna Kosek-Szott, Szymon Szott, Krzysztof Rusek. 2023. „FTMRate: Collision-Immune Distance-based Data Rate Selection for IEEE 802.11 Networks.” 24th IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM).
[6] Deshmukh, Mrugen, Mahmoud Kamel, Zinan Lin, Rui Yang, Hanqing Lou, Ismail Güvenç. 2022. „Intelligent Feedback Overhead Reduction (iFOR) in Wi-Fi 7 and Beyond.” 2022 IEEE 95th Vehicular Technology Conference (VTC2022-Spring).
[7] Hoydis, Jakob, Fayçal Ait Aoudia, Alvaro Valcarce, Harish Viswanathan. 2021. „Toward a 6G AI-native air interface.” IEEE Communications Magazine 59, no. 5:76-81.
[8] IEEE. 2020. „IEEE Standard for Information Technology--Telecommunications and Information Exchange between Systems - Local and Metropolitan Area Networks--Specific Requirements - Part 11: Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications.” IEEE Std 802.11-2020 (Revision of IEEE Std 802.11-2016).
[9] IEEE. 2022. „IEEE 802.11 Overview and Amendments under development”. Dostęp 17 czerwca 2023. https://ieee802.org/11/ IEEE%20802-11-Overview-and-Amendments-Under-Development. pptx.
[10] Kosek-Szott, Katarzyna, Szymon Szott, Falko Dressler. 2022. „Improving IEEE 802.11ax UORA Performance: Comparison of Reinforcement Learning and Heuristic Approaches.” IEEE Access 10: 120285-120295.
[11] Kotagiri, Dheeraj, Koichi Nihei, Tansheng Li. 2021. „Distributed convolutional deep reinforcement learning based OFDMA MAC for 802.11ax.” ICC 2021-IEEE International Conference on Communications.
[12] McCann, Stephen. 2022. „May 2022 Working Group Motions.” IEEE 802.11 May 2022 Interim Meeting. Dostęp 17 czerwca 2023. https://mentor.ieee.org/802.11/dcn/22/11-22-0597-03-0000-may2022-working-group-motions.pptx.
[13] Natkaniec, Marek, Katarzyna Kosek-Szott, Szymon Szott, Giuseppe Bianchi. 2012. „A survey of medium access mechanisms for providing QoS in ad-hoc networks.” IEEE Communications Surveys & Tutorials 15, 2:592-620.
[14] Nguyen, Cong T., Nguyen Van Huynh, Nam H. Chu, Yuris Mulya Saputra, Dinh Thai Hoang, Diep N. Nguyen, Quoc-Viet Pham, Dusit Niyato, Eryk Dutkiewicz, Won-Joo Hwang. 2021. „Transfer learning for future wireless networks: A comprehensive survey.” arXiv preprint arXiv:2102.07572.
[15] Nishio, Takayuki, Hironao Okamoto, Kota Nakashima, Yusuke Koda, Koji Yamamoto, Masahiro Morikura, Yusuke Asai, Ryo Miyatake. 2019. „Proactive received power prediction using machine learning and depth images for mmWave networks.” IEEE Journal on Selected Areas in Communications 37, no. 11: 2413-2427.
[16] Olbrich, Michael, Anatolij Zubow, Sven Zehl, Adam Wolisz. 2017. „WiPlus: Towards LTE-U interference detection, assessment and mitigation in 802.11 networks.” European Wireless 2017; 23th European Wireless Conference.
[17] Pateria, Shubham, Budhitama Subagdja, Ah-hwee Tan, and Chai Quek. 2021. „Hierarchical reinforcement learning: A comprehensive survey.” ACM Computing Surveys (CSUR) 54, no. 5: 1-35.
[18] Stanley, Dorothy. 2023. „2023 May Working Group Chair Opening Report.” IEEE 802.11 May 2023 Interim Meeting. Dostęp 17 czerwca 2023. https://mentor.ieee.org/802.11/dcn/23/11-23-0619-01- 0000-2023-may-working-group-chair-opening-report.pptx.
[19] Sutton, Richard S., Andrew G. Barto. 2018. „Reinforcement learning: An introduction”. MIT Press.
[20] Szott, Szymon, Katarzyna Kosek-Szott, Piotr Gawłowicz, Jorge Torres Gómez, Boris Bellalta, Anatolij Zubow, Falko Dressler. 2022. „Wi-Fi meets ML: A survey on improving IEEE 802.11 performance with machine learning.” IEEE Communications Surveys & Tutorials 24, no. 3: 1843-1893.
[21] Szott, Szymon, Katarzyna Kosek-Szott, Piotr Gawłowicz, Jorge Torres Gómez, Boris Bellalta, Anatolij Zubow, Falko Dressler. 2022. „Applying ML to 802.11: Current Research and Emerging Use Cases.” IEEE 802.11 July 2022 Plenary Meeting. Dostęp 17 czerwca 2023. https://mentor.ieee.org/802.11/dcn/22/11-22-0979-01- aiml-applying-ml-to-802-11-current-research-and-emerging-usecases.pptx.
[22] Szott, Szymon, Katarzyna Kosek-Szott, Boris Bellalta. 2023. „Proposed IEEE 802.11 AIML TIG Technical Report Text for the Multi-AP Coordination Use Case”. IEEE 802.11 July 2022 Plenary Meeting. Dostęp 17 czerwca 2023. https://mentor.ieee. org/802.11/dcn/23/11-23-0227-04-aiml-proposed-ieee-802-11- aiml-tig-technical-report-text-for-the-multi-ap-coordination-usecase.docx.
[23] Verma, Shikhar, Tiago Koketsu Rodrigues, Yuichi Kawamoto, Nei Kato. 2023. „A Survey on Multi-AP Coordination Approaches over Emerging WLANs: Future Directions and Open Challenges.” arXiv preprint arXiv:2306.04164.
[24] Wang, Jingjing, Chunxiao Jiang, Haijun Zhang, Yong Ren, Kwang- -Cheng Chen, and Lajos Hanzo. 2020. „Thirty years of machine learning: The road to Pareto-optimal wireless networks.” IEEE Communications Surveys & Tutorials 22, no. 3: 1472-1514.
[25] Wang, Xiaofei i inni. 2023. „AIML TIG Technical Report Draft”. IEEE 802.11 May 2023 Interim Meeting. Dostęp 17 czerwca 2023. https://mentor.ieee.org/802.11/dcn/22/11-22-0987-07-aiml-aimltig-technical-report-draft.doc.
[26] Wang, Zhou, Xuming Fang, Li Yan, Rong He, Yan Long. 2021. „Intelligent hybrid automatic repeat request retransmission for multi‐band Wi‐Fi networks.” IET Communications 15, no. 9: 1249- 1258.
[27] Wi-Fi Alliance. 2023. „Wi-Fi® by the numbers: Technology momentum in 2023”. Dostęp 17 czerwca 2023. https://www.wi-fi.org/beacon/ the-beacon/wi-fi-by-the-numbers-technology-momentum-in-2023.
[28] Wojnar, Maksymilian, Wojciech Ciężobka. 2023. „Zastosowanie algorytmów wielorękich bandytów do wyboru szybkości transmisji w sieciach IEEE 802.11ax”. Konferencja Radiokomunikacji i Teleinformatyki KRiT 2023, Kraków, 20-22.09.2023.
[29] Wydmański, Witold, Szymon Szott. „Contention window optimization in IEEE 802.11ax networks with deep reinforcement learning.” 2021 IEEE Wireless Communications and Networking Conference (WCNC).
[30] Zhang, Chen, Yu Xie, Hang Bai, Bin Yu, Weihong Li, and Yuan Gao. 2021. „A survey on federated learning.” Knowledge-Based Systems 216: 106775.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE- e-publikacja (pdf) z zeszytu 2023-4 , nr katalogowy 144702 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Prenumerata

PRZEGLĄD TELEKOMUNIKACYJNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

300.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna	348.00 zł brutto 322.22 zł netto 25.78 zł VAT (stawka VAT 8%)
PRZEGLĄD TELEKOMUNIKACYJNY - pakowanie i wysyłka	21.00 zł brutto 17.07 zł netto 3.93 zł VAT (stawka VAT 23%)

369.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	450.00 zł brutto 416.67 zł netto 33.33 zł VAT (stawka VAT 8%)

450.00 zł

Zeszyt

2023-4

Twój Koszyk

Publikacja

Prenumerata

Zeszyt

Czasopisma