Predicción de calidad de enlace en redes comunitarias inalámbricas basadas en OLSR a partir de datos obtenidos con una frecuencia alta de muestreo

Abstract

Las redes comunitarias inalámbricas son redes malladas, creadas por varios usuarios que residen en una zona común, permitiendo a estos usuarios conectarse a Internet o acceder a otros servicios. En estas redes los enlaces pueden ser poco fiables, por lo que se utilizan protocolos de encaminamiento como OLSR, que utiliza la calidad de enlace como métrica de coste. El uso de técnicas de aprendizaje automático puede ser útil a la hora de predecir el estado futuro de los enlaces, y consecuentemente, mejorar el encaminamiento. A este respecto, trabajos previos han estudiado cómo el aprendizaje automático en línea puede predecir con éxito la calidad de los enlaces de una red. No obstante, estos trabajos parten de datos con frecuencias de muestreo muy bajas, que pueden no ser realistas. El objetivo de este TFM es analizar algoritmos de aprendizaje automático en línea que realicen buenas predicciones en el contexto de un muestreo de alta frecuencia.

Wireless Community Networks are mesh networks, built by several users living in the same area, providing access to services such as Internet. In this kind of networks, the links can be unreliable, and thus routing protocols like OLSR, which uses link quality as cost metric, are used. Machine learning techniques can be useful for forecasting future link state, and therefore, improving the operation of the network. Previous works have studied how online machine learning can successfully forecast link quality of a network. Nevertheless, these works are based on data collected with low sampling rates, which can be unrealistic. The objective of this project is to analyze online machine learning algorithms which make good predictions in a high frequency sampling context.