Adaptation du débit dans les réseaux Wi-Fi en utilisant l'apprentissage par renforcement profond
Résumé
Rate adaptation is both a challenge and an asset of Wi-Fi networks, especially as the number of stations and traffic demands increase. In dense scenarios, the complexity of rate adaptation grows, particularly due to interference and network load. In this paper, we propose a decentralized deep reinforcement learning (DRL) model, named DIANA. This model dynamically adjusts a station’s modulation and coding scheme (MCS) in a Wi-Fi network based on observations of the signal-to-interference-plus-noise ratio (SINR) and the average transmission delay (ATD) of frames on the sender side. Our model can be deployed on each station and does not require coordination. The proposed model is evaluated through simulations using the NS3 simulator. Results show that DIANA outperforms other rate adaptation algorithms such as IDEAL, MINSTREL HT, and THOMPSON SAMPLING (TS), achieving up to 13% higher network throughput in interference scenarios while improving overall fairness in the network.
L'adaptation du débit est à la fois un défis et un atout des réseaux Wi-Fi, d'autant plus que le nombre de stations et les besoins de trafic augmentent. Dans les scénarios denses, la complexité de l'adaptation du débit augmente, notamment en raison des interférences et de la charge du réseau. Dans cet article, nous proposons un modèle d'apprentissage par renforcement profond (DRL) décentralisé, nommé DIANA. Ce modèle ajuste dynamiquement la modulation et le codage (MCS) d'une station dans un réseau Wi-Fi en fonction des observations du rapport signal sur bruit plus interférence (SINR) et du délai de transmission moyen (ATD) des trames côté émetteur. Notre modèle peut être déployé sur chaque station et il ne nécessite pas de coordination. Le modèle proposé est évalué par simulation à l'aide du simulateur NS3. Les résultats montrent que DIANA donne de meilleurs résultats comparés à d'autres algorithmes d'adaptation de débit tels que IDEAL, MINSTREL HT et THOMPSON SAMPLING (TS), atteignant un débit réseau jusqu'à 13% plus élevé dans des scénarios d'interférence, et ce en augmentant l'équité globale dans le réseau.
| Licence |
|---|