By continuing your visit to this site you accept the use of cookies to offer you content and services tailored to your interests

 

CNRS ENS Lyon inria 200x200 blurb
UCB Lyon logo univ lyon 200x200 blurb

INSPIRE: Distributed Bayesian Optimization for Improving Spatial Reuse in Dense WLANs

Lien vers l'article: https://dl.acm.org/doi/abs/10.1145/3551659.3559050

Résumé en français: Les réseaux locaux sans fil (WLANs), qui ont dépassé les réseaux câblés pour devenir le principal moyen de connecter des appareils à Internet, sont sujets à des problèmes de performance en raison du manque de place dans les bandes de fréquence.

En réponse, la norme IEEE 802.11ax et ses amendements ultérieurs visent à augmenter la réutilisation spatiale d'un canal radio en permettant la mise à jour dynamique de deux paramètres clés de la transmission sans fil : la puissance d'émission (TX_POWER) et le seuil de sensibilité (OBSS_PD).

Dans cet article, nous présentons INSPIRE, une solution distribuée d'apprentissage en ligne qui, par de multiples optimisations bayésiennes locales, améliore la réutilisation spatiale dans les WLANs. INSPIRE ne fait aucune hypothèse sur la topologie des WLANs et favorise les comportements altruistes des points d'accès.

Nous démontrons la supériorité d'INSPIRE sur les autres stratégies de la littérature en utilisant le simulateur ns-3 et deux exemples inspirés de déploiements réels de WLANs denses. Nos résultats montrent qu'en quelques secondes seulement, INSPIRE est capable d'augmenter de manière drastique la qualité de service des WLANs opérationnels en améliorant simultanément leur équité et leur débit.