Aprendizado de máquina aplicado à gerência de redes sem fio

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