RT info:eu-repo/semantics/bachelorThesis
T1 Aplicación de técnicas de Deep Learning para mejorar el enrutamiento en redes comunitarias inalámbricas basadas en OLSR
A1 Díez Benito, Enrique
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Redes comunitarias
K1 OLSR
K1 LSTM
AB 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.
YR 2020
FD 2020
LK http://uvadoc.uva.es/handle/10324/42478
UL http://uvadoc.uva.es/handle/10324/42478
LA spa
DS UVaDOC
RD 01-may-2024