Hola,
Con mucho gusto les escribo para anunciarles la defensa de tesis de
maestría de Fabián Frommel, que será el próximo jueves 30 de junio a
las 11am en el salón de seminarios del IMERL (ex 001, ubicado en el
hall del IIE).
El trabajo se titula "Aprendizaje Profundo por Refuerzo Aplicado al
Control de Acceso en Redes IEEE 802.11" (ver resumen debajo) y fue
dirigido por Federico La Rocca y quien suscribe.
El tribunal estará integrado por:
- Dr. Ing. Juan Bazerque, IIE, FING, Udelar.
- Dr. Ing. Claudina Rattaro, IIE, FING, Udelar.
- Dr. Ing. Matías Richart, INCO, FING, Udelar.
Están todos cordialmente invitados.
Saludos,
Germán
--
Título:
Aprendizaje Profundo por Refuerzo Aplicado al Control de Acceso en
Redes IEEE 802.11
Resumen:
En estos últimos tiempos, las tecnologías de la información y la
comunicación, apalancadas por la masificación en el acceso a Internet,
han modificado el comercio, la educación, el gobierno, la salud e
incluso la forma en que las personas se relacionan afectivamente. Esta
evolución se vio acelerada todavía más a raíz de la pandemia de
COVID-19, donde muchas de las actividades tuvieron que ser migradas a
una modalidad virtual (e.g. teletrabajo, videoconferencias, clases
remotas). Las redes WLAN (Wireless Local Area Network) son
probablemente la tecnología de acceso a Internet más utilizada a nivel
mundial y, en particular, el estándar IEEE 802.11, comercialmente
conocido como Wi-Fi, ha sido el que ha proliferado como estándar de
base para estas redes. Desde su primera publicación, se ha ido
actualizando con el objetivo de adaptarse a las demandas de más
dispositivos, más conexiones y mayores velocidades. Recientemente, se
publicó su última enmienda, la IEEE 802.11ax, la cual introduce
cambios radicales a nivel de acceso al medio en busca de una mayor
eficiencia en el uso del espectro. Con ella, se plantean una serie de
desafíos respecto de la asignación de recursos entre dispositivos de
la nueva enmienda y de enmiendas anteriores (legacy), que siguen
operando con el mecanismo de acceso al medio tradicional.
Por otro lado, los avances en la capacidad de procesamiento y de
almacenamiento de datos de los servidores de la actualidad habilitan
la aplicación de técnicas de aprendizaje automático en diversas áreas
de la industria. En particular, dentro de las telecomunicaciones, se
vienen utilizando ampliamente para la optimización de procesos o
recursos. Dada esta realidad y los desafíos mencionados respecto del
reparto de recursos entre dispositivos 802.11ax y legacy, en el
presente trabajo se estudia el potencial de la aplicación de técnicas
de aprendizaje profundo por refuerzo (DRL) a la optimización del
control de acceso al medio en redes IEEE 802.11.
En esta tesis se realizó una revisión y diagnóstico de la situación
actual respecto de la nueva enmienda de IEEE 802.11, mediante
simulaciones y pruebas con equipos comerciales. Las pruebas
exhaustivas realizadas revelaron cierta inmadurez de las
implementaciones de 802.11ax por el momento. Posteriormente, se
propuso el método Enhanced - Centralized Contention Window
Optimization with Deep Reinforcement Learning (E-CCOD), para aplicar
DRL a la optimización del rendimiento de redes IEEE 802.11 mediante la
predicción correcta de los valores de ventana de contención (un
parámetro clave del mecanismo de control de acceso de estas redes). Se
constató el funcionamiento satisfactorio de este método en distintos
escenarios de operación realistas: envíos UDP y TCP, sentidos uplink,
downlink y bidireccional, y variaciones en la cantidad de clientes y
en el tráfico cursado. Por último, se lo extendió para operar en redes
donde coexisten clientes de la nueva versión del estándar y de
versiones anteriores, y se lo puso a prueba en un ejemplo de
aplicación. A partir de los resultados obtenidos, es posible afirmar
la viabilidad de aplicar técnicas de DRL a la optimización del control
de acceso en redes IEEE 802.11.