QoE based predictive handover mechanism in software-defined enterprise Wi-Fi networks

Résumé

Au cours des dernières décennies, les fournisseurs de services et les entreprises ont tenté de répondre aux besoins des utilisateurs en matière de connexions Wi-Fi dans les bâtiments résidentiels, les campus et les palais publics avec de nouvelles infrastructures Wi-Fi centralisées. Bien qu’ils aient en grande partie résolu le problème de l’accès et de la convergence des réseaux Wi-Fi en les optimisant et en les adaptant à l’aide d’un réseau SDN (Software-Defined Networking), il est encore possible de rendre cette optimisation aussi intelligente que possible. Cela est dû à la croissance rapide de la demande et de l’application des utilisateurs sur les smartphones. De plus, SDN nous permet d’améliorer les performances des systèmes centralisés. Une connexion garantie est une fonctionnalité essentielle pour les utilisateurs de réseaux sans fil, leur permettant de continuer à utiliser leurs applications même s’ils se déplacent d’un côté du réseau à un autre. Le processus de transfert rend cela possible en dirigeant l’utilisateur d’un point d’accès à un autre ou d’un réseau à un autre. La décision de déplacer l’utilisateur de l’interface 1 à l’interface 2 peut affecter la qualité de service des utilisateurs. Dans un réseau Wi-Fi d’entreprise, les utilisateurs mobiles peuvent être couverts par plusieurs points d’accès. Pour optimiser l’allocation des ressources, un transfert progressif est requis dans lequel le périphérique de l’utilisateur est transféré de manière transparente d’un point à un autre cette décision est prise de manière centralisée par un contrôleur de réseau Wi-Fi. Malheureusement, les mécanismes de transfert progressifs les plus avancés sont souvent conçus pour optimiser les ressources du point de vue du fournisseur de réseau et ne tiennent pas compte des comportements en temps réel des utilisateurs, ce qui peut affecter la qualité de l’expérience (QoE) de l’utilisateur. Dans ce mémoire, une nouvelle méthode basée sur l’apprentissage automatique (ML) a été présentée pour trouver un mécanisme de transfert optimal. Cette méthode permet de prédire si le transfert qui va se produire conservera la qualité d’expérience lorsque les utilisateurs se déplacent à l’intérieur d’un bâtiment. Notre premier objectif est de présenter un cadre pour la prédiction du transfert intercellulaire en introduisant une échelle de score continue basée sur la QoE de l’utilisateur. Nous étudions le comportement du locataire et l’effet de ce comportement sur le mécanisme de passation à l’aide d’un ensemble de données obtenu à partir d’une étude de cas réelle sur un campus universitaire. Ensuite, nous définissons un ensemble de règles basées sur nos résultats de prévision et d’observation à l’intérieur du réseau. Notre cadre de prédiction du transfert intercellulaire est complété par l’alimentation des caractéristiques définies par l’expert dans une régression vectorielle de support (SVR). La méthode proposée s’appliquait à plus d’un an de données collectées à partir de points d’accès du campus mentionné. L’évaluation des résultats prouve l’efficacité, la puissance de généralisation et la robustesse du cadre présenté pour la prévision d’un mécanisme de transfert indépendant du temps. Notre méthode proposée permet une amélioration de 34% du débit utilisateur par rapport aux algorithmes de pointe. Dans ce travail, notre base de référence est le réseau d’auto-organisation XcellAir, qui est le fournisseur de services du campus. Nous menons et évaluons notre expérience en fonction des résultats de leur système d’optimisation. Le cadre proposé repose sur l’hypothèse que le transfert intercellulaire a lieu lorsqu’un utilisateur se déplace entre deux stations et que le contrôle intervient après que l’utilisateur a subi une dégradation des performances du service reçu. Ce fait suggère l’idée d’une méthode proactive plutôt que d’utiliser une méthode basée sur des seuils pour développer notre cadre. Nous avons proposé une approche en prévoyant un score que nous avons défini sur la base de la QoE des utilisateurs (du point de vue de l’utilisateur) et de notre modèle prédictif, également à partir des commentaires des utilisateurs. En raison des biais que nous pouvons avoir dans les prédicteurs dépendant du temps et du fait que la migration à l’intérieur d’un réseau peut être très rapide, nous nous sommes concentrés sur l’utilisation de fonctionnalités plus importantes et l’apprentissage du comportement des utilisateurs en fonction de paramètres plutôt que du temps. En testant le cadre introduit sur notre ensemble de données et les résultats confirment l’efficacité de la méthode proposée par rapport au modèle de base.

Date	25 nov. 2019
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Mohamed Cheriet (Directeur(-trice)) & Charles Despins (Codirecteur(-trice))