Performance Enhancement in Wi-Fi Networks using Machine Learning

Amélioration des performances des réseaux Wi-Fi en utilisant l'apprentissage automatique Les technologies sans fil sont utilisées dans diverses applications en raison de leur facilité de déploiement et de leurs capacités inhérentes à prendre en charge la mobilité. Le Gls{wifi} est l'une des technologies sans fil populaires. La croissance rapide des réseaux Gls{wifi}, la demande croissante de capacité de réseau en termes de bande passante et le nombre croissant d'utilisateurs provoquent une densification des réseaux déployés. Les réseaux Wi-Fi souffrent de la détérioration de la Gls{qoe} dans les déploiements denses. Cette thèse examine différentes façons d'améliorer les performances des réseaux Gls{wifi}. Elle se concentre, d'une part, sur le déploiement des réseaux Gls{wifi} en tenant compte de la capacité de la technologie et des besoins de l'application, et d'autre part, sur les approches basées sur l'apprentissage par renforcement pour l'adaptation de la quantité de données transmises et l'amélioration du protocole CSMA/CA.Dans le cadre de cette thèse, nous analysons d'abord les algorithmes d'adaptation de débit existants et leur impact sur les performances d'un réseau Wi-Fi. Ensuite, nous étudions les meilleures pratiques pour le déploiement de ces réseaux au sein d'une exploitation agricole, notamment le nombre de points d'accès requis et leur emplacement pour maximiser la couverture et les performances dans le cadre d'une application de surveillance et de contrôle à distance de robots agricoles mobiles. La technique de déploiement tire parti des fonctionnalités du Wi-Fi tel que le beamforming. Dans une seconde partie, nous exploitons des mécanismes d'apprentissage par renforcement pour adapter dynamiquement les profils d'application en fonction des conditions du réseau et des exigences des utilisateurs. Nous exploitons également les mécanismes de RL afin d'améliorer le protocole CSMA/CA en adaptant la durée du backoff selon l'état du réseau.A travers les résultats de simulation, nous démontrons que l'utilisation du Gls{mimo} dans la stratégie de déploiement de réseaux Wi-Fi permet de réduire le nombre de points d'accès requis et d'obtenir une meilleure couverture. Une stratégie de déploiement tenant compte de la capacité du réseau aboutit en un compromis entre le nombre d'antennes, la couverture, les points d'accès requis et les performances.Nos modèles d'apprentissage par renforcement apportent une nette amélioration des performances des réseaux Wi-Fi. Ces modèles ont permi une adaptation dynamqiue des profils d'application en fonction des conditions du réseau et des exigences des utilisateurs, entraînant un meilleur débit du réseau et moins de pertes de données. De plus, le modèle utilisé au niveau de l'algorithme CSMA/CA a entraîné moins de retards d'accès, un débit global amélioré, moins de collisions et une meilleure équité entre les utilisateurs.A travers ce travail de recherche, nous démontrons, à travers une démarche d'évaluation par simulation numérique, l'efficacité de l'apprentissage par renforcement pour améliorer les performances de différents aspects d'un réseau Wi-Fi. Les résultats montrent le potentiel d'améliorations significatives des performances et de l'expérience utilisateur des réseaux Wi-Fi grâce à l'application de ces méthodes d'optimisation. Les travaux futurs devraient continuer à explorer et à affiner ces techniques pour s'assurer que les réseaux Wi-Fi puissent répondre à la demande toujours croissante d'une connectivité sans fil fiable et de haute qualité.