Aplicación de técnicas de Deep Learning para mejorar el enrutamiento en redes comunitarias inalámbricas basadas en OLSR

Abstract

Una red comunitaria inalámbrica (Wireless Community Network, WCN) es una red inalámbrica en malla creada por un grupo local de personas dando lugar a una infraestructura de red alternativa y autogestionada. Las WCN son redes que crecen y decrecen de forma dinámica y cuyos enlaces se caracterizan por ser asimétricos y escasamente fiables. En este contexto, la selección de rutas adecuadas para el encaminamiento del tráfico es necesaria para ofrecer a sus usuarios acceso a Internet con una buena calidad de servicio. Las características de estas redes hacen conveniente el uso de protocolos de encaminamiento como OLSR, usando la calidad de enlace como métrica de coste. El uso de técnicas de aprendizaje automático para la predicción del estado futuro de la calidad de enlace puede ser crítico a la hora de mejorar el encaminamiento con rutas en las que se prevé una menor probabilidad de pérdida de paquetes. Trabajos previos han tratado de predecir la calidad con el uso de técnicas de aprendizaje automático pero sin tener en cuenta características clave del funcionamiento de OLSR como el fish-eye (ojo de pez). El objetivo del trabajo es aplicar técnicas de aprendizaje profundo (Deep Learning) para predecir la calidad del enlace en redes WCN. Para ello, en primer lugar, se estudia el protocolo OLSR concreto de una WCN, Funkfeuer Graz, y se discuten las implicaciones necesarias que se han de tomar en cuenta para la recogida de datos y el futuro entrenamiento de técnicas de aprendizaje automático. A continuación, se realiza y analiza una captura de tráfico de la red Funkfeuer Graz, obtenida a través de una VPN. Tras su análisis, se procede a realizar la predicción con una técnica de aprendizaje profundo, LSTM (Long Short-Term Memory), debido a que este tipo de RNN (Recurrent Neural Network) ha tenido éxito en la predicción de series temporales en otros ámbitos. Se prueban distintas arquitecturas de LSTM como es el de LSTM con y sin estado, predicción múltiple o encoder-decoder (codificador-decodificador). Se observa que el mecanismo de fish-eye de OLSR hace que la información que un nodo tiene de otros sea distinta según su distancia y que este efecto se debe tener en cuenta a la hora de predecir y entrenar. Además, se muestra que el uso de técnicas LSTM, costosas computacionalmente, no mejora de manera significativa al algoritmo de referencia salvo con enlaces cercanos o en la predicción a varios instantes vista.

A Wireless Community Network (WCN) is a wireless mesh network created by a local group of people resulting in an alternative, self-managed network infrastructure. WCNs are networks that grow and decrease dynamically, and their links are characterized by being asymmetric and barely reliable. In this context, the selection of suitable routes for routing traffic is necessary to offer its users a good quality of service. The characteristics of these networks make it convenient to use routing protocols such as OLSR, using link quality as a cost metric. The use of Machine Learning techniques for predicting the future state of link quality can be critical in improving routing with routes that foresee a lower probability of packet loss. Previous works have attempted to predict link quality with the use of Machine Learning techniques but without taking into account the key features of OLSR behaviour such as the fish-eye. The objective of this work is to apply Deep Learning techniques to predict link quality in WCN networks. To do this, first, the specific OLSR protocol of a WCN, Funkfeuer Graz, is studied and the implications to be considered for data collection and future training in Machine Learning techniques are discussed. Next, a traffic capture of the Funkfeuer Graz network, obtained through a VPN, is made and analysed. After analysis, the prediction will be made with a Deep Learning technique, LSTM (Long Short-Term Memory), because this type of RNN (Recurrent Neural Network) has been successful in predicting time series problems. Different LSTM architectures are tested, such as stateless/stateful LSTM, multiple prediction or encoder-decoder. The observation of the OLSR fish-eye mechanism makes one node has different information from others according to their distance and this effect must be considered when predicting and training. Furthermore, it is shown that the use of computationally expensive LSTM techniques does not significantly improve the reference algorithm except with close links or in multi-step prediction.