Use este identificador para citar ou linkar para este item: https://repositorio.ufjf.br/jspui/handle/ufjf/16763
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
lucasrodriguesfrank.pdfPDF/A5.48 MBAdobe PDFThumbnail
Visualizar/Abrir
Tipo: Dissertação
Título: Aprendizado de máquina aplicado à gerência de redes sem fio
Autor(es): Frank, Lucas Rodrigues
Primeiro Orientador: Silva, Edelberto Franco
Co-orientador: Vieira, Alex Borges
Membro da banca: Bernardino, Heder Soares
Membro da banca: Mattos, Diogo Menezes Ferrazani
Resumo: Com o rápido aumento de usuários móveis, a busca pela gestão de recursos em redes sem fio tornou-se um tópico importante. Por conta disso, os estudos de predição de mobilidade e volume de usuários conectados em rede mostram-se relevantes, principalmente considerando o avanço das técnicas de aprendizado de máquina recentemente. Para tanto, entender a mobilidade dos usuários, a fim de predizer qual o próximo ponto de acesso para conexão gera benefícios no escopo do gerenciamento de recursos como a busca do tão desejado handoff transparente. Assim, predizer o volume de usuários, e por volume, entende-se a quantidade de usuários conectados na rede, traz grandes oportunidades como gerir a banda de rede disponível e evitar o gasto de pontos de acessos ligados desnecessariamente. Logo, este trabalho utiliza-se de dois conjuntos de dados reais com origem de dois campos universitários (UFJF e KTH), para treinar modelos preditivos a partir de dados históricos e recentes. Neste trabalho, foram analisados os desempenhos desses modelos para as abordagens de predição de mobilidade e volume de usuários utilizando os seguintes algoritmos: Árvore de Decisão, rede neural Perceptron de Múltiplas Camadas e o processo de Aprendizado de Máquina Automatizado. Por fim, o melhor modelo de cada abordagem foi aplicado em um determinado caso de uso para analisar seu desempenho diante de uma possível aplicação real. Os resultados experimentais indicam que os modelos de mobilidade atingiram uma acurácia média de 91% e 74% para a UFJF e KTH, nessa ordem. Para a abordagem de predição de volume de usuários, o cenário da UFJF obteve coeficiente de ajuste de 0.96 e o cenário KTH de 0.94, o que pode ser classificado como um resultado eficaz dado a sua complexidade. Finalmente, ao analisar os casos de uso, os resultados demonstraram que o modelo de mobilidade da UFJF fornece uma acurácia média de 87.15%, e para o modelo de volume de usuários, a acurácia máxima chega próximo de 95.92% ao prever a quantidade de pontos de acessos necessário para atender os usuários conectados naquele instante. Analogamente, o cenário do campus KTH obteve uma acurácia média de 70.63% para mobilidade, e acurácia máxima de 97.28% para o modelo do volume de usuários conectados na rede
Abstract: With the rapid increase of mobile users, the pursuit of resource management in wireless networks has become an important topic. Because of this, studies on predicting mobility and volume of users connected to a network are relevant, especially considering recent advances in machine learning techniques. To this end, understanding the mobility of users, in order to predict the next access point for connection, generates benefits in the scope of resource management such as the search for the much desired transparent handoff. Thus, predicting the number of users, and by volume, we mean the number of users connected to the network, brings great opportunities such as managing the available network bandwidth and avoiding the expense of unnecessarily connected access points. Therefore, this work uses two sets of real data originating from two university fields (UFJF and KTH), to train predictive models based on historical and recent data. In this work, the performance of these models was analyzed for mobility and number of users prediction approaches using the following algorithms: Decision Tree, Multi-Layer Perceptron neural network and the Automated Machine Learning process. Finally, the best model of each approach was applied to a given use case to analyze its performance in a possible real application. The experimental results indicate that the mobility models achieved an average accuracy of 91% and 74% for UFJF and KTH, in that order. For the number of users prediction approach, the UFJF scenario obtained an adjustment coefficient of 0.96 and the KTH scenario of 0.94, which can be classified as an effective result given its complexity. Finally, when analyzing the use cases, the results demonstrated that the UFJF mobility model provides an average accuracy of 87.15%, and for the number of users model, the maximum accuracy comes close to 95.92% when predicting the number of access points needed to serve the users connected at that moment. Similarly, the KTH campus scenario obtained an average accuracy of 70.63% for mobility, and a maximum accuracy of 97.28% for the model of the number of users connected to the network.
Palavras-chave: Predição
Redes sem fio
Gerenciamento
Recurso
Aprendizado de maquina
Mobilidade
Volume
Handoff
Prediction
Wireless networks
Management
Prediction
Wireless networks
Resource
Machine learning
Mobility
Number
Handoff
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Idioma: por
País: Brasil
Editor: Universidade Federal de Juiz de Fora (UFJF)
Sigla da Instituição: UFJF
Departamento: ICE – Instituto de Ciências Exatas
Programa: Programa de Pós-graduação em Ciência da Computação
Tipo de Acesso: Acesso Aberto
Attribution-NonCommercial-ShareAlike 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by-nc-sa/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/16763
Data do documento: 18-Dez-2023
Aparece nas coleções:Mestrado em Ciência da Computação (Dissertações)



Este item está licenciado sob uma Licença Creative Commons Creative Commons