Intelligent Channel Change System for Wi-Fi Users

Abstract

As redes sem fio tornaram-se numa parte indispensável da sociedade moderna. Das redes sem fio a Wi-Fi é a mais comum e pode ser encontrada em pratica- mente todas as casas. Em zonas de alta densidade, onde se encontram um elevado número de estações Wi-Fi, é comum ocorrer interferência na forma de Interferência de Canal Adjacente e Interferência Co-Canal que resulta em degradação do sinal e numa pior qualidade de conexão. Neste trabalho, temos o objetivo de desenvolver um modelo de um sistema inteligente que seja capaz de prever a necessidade de mudar o canal de Wi-Fi, e, assim, evitar a ativação da Seleção Dinâmica de Canal (DCS) do Ponto de Acesso (AP). Esta abordagem proativa, vai resultar em que o utilizar não permaneça num canal degradado e que a mudança de canal seja num momento mais oportuno, melhorando assim a qualidade de experiência do utilizador como resultado.Métricas e dados de Pontos de Acesso foram recolhidos de nós reais, e estes são atributos que contêm informações importantes que podem ser usadas para encontrar uma solução para o problema. Com estes dados, é formado um conjunto de dados e o problema é enquadrado como um problema de classificação, com duas classes distintas: uma classe positiva para os dados onde foi detetada uma mudança de canal e uma classe negativa contendo os restantes dados.Usando estes dados, exploramos algoritmos clássicos de aprendizagem em máquina utilizados como classificadores, e, testamos a capacidade de prever se uma mu- dança de canal vai ser detetada na próxima amostra. Os resultados mostram que os modelos baseados em árvores de decisão apresentam os resultados mais promissores, com as Florestas Aleatórias a alcançar uma precisão média de 84% na validação cruzada K-Fold.Em seguida, para aproveitar a natureza temporal dos dados, foram utilizadas Memórias de curto-longo prazo (LSTMs) como classificadores, e foi investigado o impacto do número de camadas, neurónios e tamanho do lote no desempenho da previsão.Foram também realizados estudos sobre o impacto da profundidade temporal (T) na precisão das previsões e sobre a importância do tamanho da sequência temporal (TW). Os resultados mostram que estes modelos conseguem alcançar níveis de precisão até 81%, dependendo do valor de TW e T.Com base nos testes realizados, concluímos que a aprendizagem em máquina é uma solução viável para este problema e apresentamos uma solução equilibrada tendo em consideração a escalabilidade da implementação. Discutimos também as limitações desta abordagem e sugerimos rumos para investigações futuras.

Wireless Networks have become an indispensable part of society. Wi-Fi is the most common type of Wireless Network and can be found in every home. In high-density areas, where there are a high number of Wi-Fi stations, interference can occur in the form of Adjacent Channel Interference (ACI) and Co-Channel Interference (CCI) which results in a degradation of the signal and worse link quality. In this work, we aim to develop an intelligent system model capable of predicting the need for a Wi-Fi channel change and thus avoiding trigger- ing the Access Point’s (AP) Dynamic Channel Selection (DCS) before it happens. This proactive approach will lead to avoiding staying in a degraded channel and change it in a more appropriate moment, thus, improving the user quality of experience as a result.APs’ metrics and analytics have been collected from real-world nodes, and they are considered features containing important data that can be used to find a solution to the problem. With this data, a dataset is formed, and the problem is framed as a classification problem with two distinct classes: a positive class for the data where a channel change was detected and a false class containing the remaining data.Using this data, we explore classic machine learning algorithms as classifiers and test if they can predict if a channel change is going to happen in the next sample. The results show decision tree-based models exhibit the most promising results, with Random Forests achieving an average accuracy of 84% from K-Fold cross- validation.Then, to take advantage of the time-series nature of the data, Long short-term memories (LSTMs) were used as classifiers, and it was investigated the impact of the number of layers, neurons, and batch size on their prediction performance. Further studies were conducted on the impact of the extent of the temporal depth (T) on precise predictions and on the significance of the time sequence length (TW). The results show they can achieve precision levels up to 81% depending on the TW and T.Based on the tests conducted, we conclude that machine learning is a viable solution for this problem and present a balanced solution taking into consideration the scalability of the deployment. We also discuss the limitations of this approach and suggest future research