La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

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

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Aghabozorgi Nafchi, Sadegh (2019). QoE based predictive handover mechanism in software-defined enterprise Wi-Fi networks. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[img]
Prévisualisation
PDF
Télécharger (3MB) | Prévisualisation
[img]
Prévisualisation
PDF
Télécharger (1MB) | Prévisualisation

Résumé

In recent decades, service providers and enterprises have tried to fulfill the need of users to Wi-Fi connections inside residential buildings, campus, and public palaces with new centralized Wi-Fi frameworks. Although they have mostly solved the issue of Wi-Fi networks access and convergence by optimizing and softwarization of them using Software-Defined Networking (SDN), there is still room to make this optimization as intelligent as possible, specially with rapid growth of user’s demand and application on smartphones. Moreover, SDN will allow us to improve the performance of centralized systems. A guaranteed connection is a key feature for wireless network users so that they can continue to use their application even if they are moving from one side of a network to another side. Handover process makes this happen by steering user from one access point to another access point or from one network to another network. Deciding when to move the user from one interface to another interface can affect the QoS for users.

In an enterprise Wi-Fi network, mobile users may be covered by multiple access points (APs). To optimize resource allocation, a soft handover is required in which the user’s device is seamlessly transferred from one AP to another, and this decision made centrally by a Wi-Fi network controller. Unfortunately, state-of-the-art soft handover mechanisms are often designed to optimize resources from the network provider’s point of view and do not take into account user’s real-time behaviors, which may affect user’s Quality of Experience (QoE). In this thesis, a new machine learning (ML)-based method presented to define an optimal handover mechanism. This method allows predicting whether the handover that is going to happen will maintain QoE when users are moving inside a building. Our first goal is to present a framework for handover prediction by introducing a continues score scaling based on user’s QoE. We study the behavior of tenant and effect of this behavior on the handover mechanism using a data-set obtained from a real case study on a university campus. Then we define a set of rules based on our prediction results and observation inside the network. Our framework for handover prediction is completed by feeding the handcrafted features to a Support vector regression (SVR). The proposed method applied to more than one year of collected data from access points of the mentioned campus. The evaluation of results proves the efficiency, generalization power, and robustness of our presented framework for predicting a time-independent handover mechanism. Our proposed method improves 34% of user throughput compared to state-of-the-art algorithms.

In this work, our baseline is the XcellAir self-organization network, which is the service provider of the campus. We run and evaluate our experiment based on the results of their optimization system. The proposed framework is based on the hypothesis that handover happened when a user is moving between two stations, and steering will happen after the user faced performance degradation in the received service. This fact suggests the idea of a proactive method rather than using a threshold-based method for developing our framework. We proposed an approach by predicting a score that we defined based on QoE of users (From user perspective of view) and our handcrafted feature also from user feedback. Due to the bias that we can have in time-dependent predictors and the fact that moving inside a network can occur very quickly, we focused on using more important features and learning the behavior of users based on parameters rather than time. We test the introduced framework on our data-set, and the results confirm the efficiency of the proposed method in comparison to the baseline model.

Titre traduit

Mécanisme de transfert prédictif basé sur la QoE dans un réseau Wi-Fi d’entreprise défini par logiciel

Résumé traduit

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.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Thesis presented to École de technologie supérieure in partial fulfillment of a master's degree with thesis in automated manufacturing engineering". Comprend des références bibliographiques (pages 67-68).
Mots-clés libres: handover-mechanism, réseaux Wi-Fi, apprentissage automatique, ML prédictif, réseau défini par logiciel
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Cheriet, Mohamed
Codirecteur:
Codirecteur
Despins, Charles
Programme: Maîtrise en ingénierie > Génie
Date de dépôt: 06 mars 2020 21:42
Dernière modification: 06 mars 2020 21:42
URI: https://espace.etsmtl.ca/id/eprint/2464

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt