Performance Enhancement in Wi-Fi Networks using Machine Learning - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Performance Enhancement in Wi-Fi Networks using Machine Learning

Amélioration des performances des réseaux Wi-Fi en utilisant l'apprentissage automatique

Résumé

Wireless technologies are used in various applications due to their ease of deployment and inherent capabilities to support mobility. Wi-Fi is one of the popular wireless technologies. The rapid growth of Wi-Fi networks, the increasing demand for network capacity in terms of bandwidth, and the growing number of users cause the densification of deployed networks. Wi-Fi networks suffer from deterioration of the Quality of Experience (QoE) in dense deployments. This thesis examines different ways to improve the performance of Wi-Fi networks. It focuses, on one hand, on the deployment of Wi-Fi networks, taking into account the capacity of the technology and the needs of the application, and on the other hand, on reinforcement learning-based approaches for adapting the amount of transmitted data and improving the CSMA/CA protocol.As part of this thesis, we first analyze existing rate adaptation algorithms and their impact on the performance of Wi-Fi networks. Then, we study the best practices for deploying these networks within the context of smart farming, including the number of required access points and their location to maximize coverage and performance in a remote monitoring and control application for mobile agricultural robots. The deployment technique leverages Wi-Fi features such as beamforming. In the second part, we exploit reinforcement learning mechanisms to dynamically adapt application profiles based on network conditions and user requirements. Finally, we exploit RL mechanisms to improve the CSMA/CA protocol by adapting the backoff duration to the network state.Through simulation results, we demonstrate that taking into account the impact of MIMO antennas in the Wi-Fi network deployment strategies reduces the required number of access points and achieves better coverage. A deployment strategy that takes into account the network capacity results in a trade-off between the number of access points, coverage, required antennas per access point, and performance. Our reinforcement learning models bring a significant improvement in Wi-Fi network performance. These models allow dynamic adaptation of application profiles based on network conditions and user requirements, resulting in better network throughput and fewer data losses. Moreover, the model used at the CSMA/CA algorithm level has led to fewer access delays, improved overall throughput, fewer collisions, and better fairness among users.Through this research work, we demonstrate, using a numerical simulation evaluation approach, the effectiveness of reinforcement learning to improve the performance of different aspects of a Wi-Fi network. The results show the potential for significant performance improvements and better user experience in Wi-Fi networks through the application of these optimization methods. Future work should continue to explore and refine these techniques to ensure that Wi-Fi networks can meet the ever-increasing demand for reliable, high-quality wireless connectivity.
Les technologies sans fil sont utilisées dans diverses applications en raison de leur facilité de déploiement et de leurs capacités inhérentes à prendre en charge la mobilité. Le Gls{wifi} est l'une des technologies sans fil populaires. La croissance rapide des réseaux Gls{wifi}, la demande croissante de capacité de réseau en termes de bande passante et le nombre croissant d'utilisateurs provoquent une densification des réseaux déployés. Les réseaux Wi-Fi souffrent de la détérioration de la Gls{qoe} dans les déploiements denses. Cette thèse examine différentes façons d'améliorer les performances des réseaux Gls{wifi}. Elle se concentre, d'une part, sur le déploiement des réseaux Gls{wifi} en tenant compte de la capacité de la technologie et des besoins de l'application, et d'autre part, sur les approches basées sur l'apprentissage par renforcement pour l'adaptation de la quantité de données transmises et l'amélioration du protocole CSMA/CA.Dans le cadre de cette thèse, nous analysons d'abord les algorithmes d'adaptation de débit existants et leur impact sur les performances d'un réseau Wi-Fi. Ensuite, nous étudions les meilleures pratiques pour le déploiement de ces réseaux au sein d'une exploitation agricole, notamment le nombre de points d'accès requis et leur emplacement pour maximiser la couverture et les performances dans le cadre d'une application de surveillance et de contrôle à distance de robots agricoles mobiles. La technique de déploiement tire parti des fonctionnalités du Wi-Fi tel que le beamforming. Dans une seconde partie, nous exploitons des mécanismes d'apprentissage par renforcement pour adapter dynamiquement les profils d'application en fonction des conditions du réseau et des exigences des utilisateurs. Nous exploitons également les mécanismes de RL afin d'améliorer le protocole CSMA/CA en adaptant la durée du backoff selon l'état du réseau.A travers les résultats de simulation, nous démontrons que l'utilisation du Gls{mimo} dans la stratégie de déploiement de réseaux Wi-Fi permet de réduire le nombre de points d'accès requis et d'obtenir une meilleure couverture. Une stratégie de déploiement tenant compte de la capacité du réseau aboutit en un compromis entre le nombre d'antennes, la couverture, les points d'accès requis et les performances.Nos modèles d'apprentissage par renforcement apportent une nette amélioration des performances des réseaux Wi-Fi. Ces modèles ont permi une adaptation dynamqiue des profils d'application en fonction des conditions du réseau et des exigences des utilisateurs, entraînant un meilleur débit du réseau et moins de pertes de données. De plus, le modèle utilisé au niveau de l'algorithme CSMA/CA a entraîné moins de retards d'accès, un débit global amélioré, moins de collisions et une meilleure équité entre les utilisateurs.A travers ce travail de recherche, nous démontrons, à travers une démarche d'évaluation par simulation numérique, l'efficacité de l'apprentissage par renforcement pour améliorer les performances de différents aspects d'un réseau Wi-Fi. Les résultats montrent le potentiel d'améliorations significatives des performances et de l'expérience utilisateur des réseaux Wi-Fi grâce à l'application de ces méthodes d'optimisation. Les travaux futurs devraient continuer à explorer et à affiner ces techniques pour s'assurer que les réseaux Wi-Fi puissent répondre à la demande toujours croissante d'une connectivité sans fil fiable et de haute qualité.
Fichier principal
Vignette du fichier
2023UCFA0041_SAMMOUR.pdf (3.93 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04393773 , version 1 (15-01-2024)

Identifiants

  • HAL Id : tel-04393773 , version 1

Citer

Ibrahim Sammour. Performance Enhancement in Wi-Fi Networks using Machine Learning. Machine Learning [cs.LG]. Université Clermont Auvergne, 2023. English. ⟨NNT : 2023UCFA0041⟩. ⟨tel-04393773⟩
95 Consultations
84 Téléchargements

Partager

Gmail Facebook X LinkedIn More