Predicción de ancho de banda disponible en redes inalámbricas altamente dinámicas

Abstract

Las redes móviles son redes inalámbricas que proporcionan acceso a servicios como el acceso a Internet, entre otros. Los enlaces de estas redes son poco fiables, dado fundamentalmente por su carácter inalámbrico, y la capacidad de la que se va a disponer depende de muchos factores como la potencia de señal recibida o la calidad. Diversas aplicaciones de usuario deben ajustar ciertos parámetros en función de la capacidad disponible en cada momento, con el fin de proporcionar la mejor experiencia final al usuario. El uso de técnicas de aprendizaje automático puede resultar útil para predecir la capacidad que se dispondrá en los próximos instantes y, consecuentemente, las aplicaciones podrán ajustarse a las circunstancias de la red. A este respecto, trabajos previos han estudiado cómo el aprendizaje automático puede predecir la capacidad disponible en una red. Sin embargo, los modelos creados implican una carga computacional no asumible en muchos entornos reales. El objetivo de este TFG es analizar varios tipos de predictores, con especial énfasis en los basados en redes neuronales LSTM, buscando un compromiso entre carga computacional y una buena predicción. Para ello, se explorarán diversos conjuntos de datos, así como diversas variantes de LSTM. Se programará un predictor LSTM base con el objetivo de entenderlo y se intentará reproducir los resultados de la literatura. Por último, se discutirá el beneficio de la predicción con LSTM frente al elevado coste computacional de los modelos.

Mobile networks are wireless networks that provide access to services such as Internet access, among others. The links of these networks are unreliable, mainly due to their wireless nature, and the capacity that will be available depends on many factors such as the received signal power or quality. Various user applications must adjust certain parameters based on the capacity available at any given time, in order to provide the best final user experience. The use of machine learning techniques can be useful to predict the capacity that will be available in the next few moments and, consequently, applications can adjust to the circumstances of the network. In this regard, previous work has studied how machine learning can predict the available capacity in a network. However, the models created imply a computational load that is not acceptable in many real environments. The objective of this TFG is to analyze various types of predictors, with special emphasis on those based on LSTM neural networks, seeking a compromise between computational load and good prediction. To do this, various data sets will be explored, as well as various variants of LSTM. A base LSTM predictor will be programmed with the objective of understanding it and an attempt will be made to reproduce the results from the literature. Finally, the benefit of prediction with LSTM compared to the high computational cost of the models will be discussed.