En un article, publicat en l'edició avançada en línia a la revista Computer Communications, es demostra que l’ús de l'aprenentatge màquina (machine learning) pot millorar el funcionament i les prestacions de les xarxes WiFi del futur, aquelles que formaran part de l’ecosistema 5G/6G. Una recerca de Marc Carrascosa i Boris Bellalta, investigadors del Wireless Networking Research Group del Departament de Tecnologies de la Informació i les Comunicacions (DTIC) de la UPF.

Els autors centren el seu estudi en com millorar l’associació d’usuaris de xarxes WiFi formades per múltiples punts d’accés, amb l’objectiu de poder donar servei a un nombre elevat d’usuaris. Aquest tipus de xarxes WiFi hi són presents en entorns empresarials, acadèmics, o en espais públics de les ciutats (carrers, parcs, biblioteques, etc.).

"En aquest treball estudiem com les estacions (PCs, tablets, mòbils, etc.) poden per elles mateixes decidir de manera dinàmica quin dels diferents punts d’accés disponibles en la seva àrea de cobertura és el que ofereix un millor servei per a les seves necessitats fent servir tècniques de Reinforcement Learning", expliquen Carrascosa i Bellalta.

Cada estació pren decisions de manera dinàmica

En aquesta proposta, cada estació és autònoma i pren decisions dinàmicament basant-se en la qualitat del servei que li ofereix la xarxa WiFi al llarg del temps, és a dir, l'estació va aprenent de manera autònoma com la xarxa WiFi es comporta, identificant quin és l’impacte de les seves pròpies accions (escollir un o altre punt d’accés) en les prestacions rebudes.

"Per fer aquest aprenentatge, utilitzem com a base un algorisme anomenat ε-greedy, que alterna entre escollir punts d’accés a l’atzar per obtenir informació (explorar), i escollir el millor dels punts d’accés utilitzats basant-se en aquesta informació acumulada (explotar)", indiquen els autors. "D’aquesta manera, com més informació obtenim millors decisions prenem, tenint en compte però que existeix un compromís entre el temps que una estació es pot dedicar a aprendre i el temps que té disponible per fer servir el que ha après de manera exitosa", afegeixen.

Un nou algorisme que escurça el temps d'aprenentatge de l'estació

Per resoldre les limitacions de l’algorisme ε-greedy, com podria ser l'elevat temps d’aprenentatge, en aquest treball els autors proposen un nou algorisme, que anomenen ε-sticky, que inclou el concepte d’afecció (en anglès emocional attachment). Funciona de manera que, un cop l'estació ha trobat un punt d’accés que dóna el servei demanat, encara que més endavant deixi de fer-ho, no el descarta immediatament per buscar-ne un altre de nou amb l’esperança que en el futur torni a donar el mateix bon servei.

En els nostres resultats mostrem que no cal que totes les estacions facin ús d’aquestes tècniques, ja que si només unes quantes estacions implementen el nou algorisme, tota la xarxa se’n beneficia

Amb aquesta nova proposta, es redueixen les interrupcions en el servei dels usuaris i la inestabilitat a la xarxa, cosa que beneficia també a aquelles estacions que encara no han trobat un punt d’accés que els hi ofereixi el servei requerit. “Tot i que no és objectiu del treball, l’extrapolació amb el comportament social dels éssers humans és prou directe, així com la interpretació en aquest àmbit dels resultats que presentem”, comenten Carrascosa i Bellalta.

"En l’article estudiem l’impacte d’aquesta modificació i com ens permet obtenir millors resultats per al problema de l’associació WiFi. L’objectiu final és mostrar l’efectivitat de les tècniques d'aprenentatge màquina per solucionar problemes a les xarxes WiFi que no són fàcils de resoldre amb mecanismes preconfigurats. En els nostres resultats també mostrem que no cal que totes les estacions facin ús d’aquestes tècniques, ja que si només unes quantes estacions implementen el nou algorisme, tota la xarxa se’n beneficia", manifesten els autors del treball.

Treball de referència:

Marc Carrascosa, Boris Bellalta (2020), "Multi-armed bandits for decentralized AP selection in enterprise WLANs", Computer Communications, edició avançada en línia del 16 de maig, volum 1, juny, pàgs.108-123. https://doi.org/10.1016/j.comcom.2020.05.023