Learning-based spatial reuse optimization for dense wireless local area networks
Yoğun kablosuz yerel alan ağları için öğrenme esaslı mekansal yeniden kullanım optimizasyonu
- Tez No: 597994
- Danışmanlar: Prof. Dr. TÜLAY YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 90
Özet
Tabletler ve akıllı telefonlar gibi daha güçlü Wi-Fi özellikli cihazların art arda geliştirilmesi; yüksek veri oranlarına ve gerçek zamanlı ihtiyaçlara sahip artan sayıda uygulamayı yöneten; video, VoIP, bulut erişimi ve boşaltma gibi: Kablosuz Yerel Alan Ağlarında (WLAN) kapasite ve performans talebinde artışa neden oldu. Bu artan talebi karşılamak için, WLAN'lar daha fazla sayıda konuşlandırıldı ve artan yoğunluklarla, yani ağ başına daha fazla istasyona hizmet veren daha fazla erişim noktasıyla kullanıldı. Bu konvansiyonel olmayan ve sıkışık dağıtım senaryolarından bazıları; stadyumlar, apartman binaları, havaalanı ve tren istasyonları: hepsi sınırlı bir alanda yoğun şekilde istasyonlarla yüklü çok sayıda erişim noktasıyla karakterize edilir. Sonuç olarak, bu ağlar, yüksek eş-kanal karışması ile bağdaştırılır ve kısmen mevcut Ortam Erişim Kontrolü (MAC) protokolleri, örneğin; Dağıtılmış Koordineli İşlev (DCF), bu yoğun dağıtımlar için 'aşırı korumacı' olmuştur, çünkü mekansal frekansın yeniden kullanımını kısıtlar ve spektrum verimliliğini azaltır. MAC protokolü parametrelerini yani istasyonların fiziksel taşıyıcı duyu eşiği ve iletim gücünü dinamik olarak uyarlayarak, yönetilen yoğun WLAN'larda mekansal yeniden kullanımı ve eşzamanlı iletimleri optimize eden karma bir Genel Regresyon Sinir Ağı (GRNN) ve Ateşböceği Algoritması (FA) gibi yeni bir öğrenmeye dayalı yapı öneriyoruz. Önerdiğimiz yapı, her istasyonun ortalama verimini ve ağın toplam verimini oldukça arttırmaktadır. Yapımızın performansı, yüksek yoğunluklu entegre sistem simülasyonları kullanılarak ve gerçek yoğun WLAN'lara çok benzeyen dağıtım senaryoları kullanılarak değerlendirilmektedir.
Özet (Çeviri)
The successive development of more powerful Wi-Fi enabled devices, such as tablets and smartphones; that run a growing number of applications with high data rates and real-time needs; such as video, VoIP, cloud access and offloading: has resulted in an increased capacity and performance demand on Wireless Local Area Networks (WLANs). In order to meet this growing demand, WLANs are been deployed in larger numbers and used with increased densities i.e. more access points serving more stations per network area. Some of these unconventional and congested deployment scenarios include stadiums, apartment buildings; airport and train stations: that are all characterized by a large number of access points heavily loaded with stations in a confined space. Consequently, these networks are riddled with high co-channel interference and experience performance degradation, which is partly due to the current Media Access Control (MAC) protocols e.g. the Distributed Coordinated Function (DCF) been 'overprotective' for dense deployments, since they restrict spatial frequency reuse and reduce the spectrum efficiency. We propose a novel learning-based scheme i.e. a hybrid General Regression Neural Network (GRNN) and Firefly Algorithm (FA) scheme, that optimizes spatial reuse and concurrent transmissions in managed dense WLANs, by dynamically adapting the MAC protocol parameters i.e. transmit power and the physical carrier sense threshold of stations. Our scheme fairly enhances the average throughput of each station and the aggregate throughput of the network. The performance of our scheme is assessed using high fidelity integrated-system simulations, with deployment scenarios that closely resemble real dense WLANs.
Benzer Tezler
- Makine öğrenme algoritmaları kullanılarak lazer verilerinden ağaç türlerinin sınıflandırılması olanaklarının araştırılması
Investigation of tree species classification possibilities from laser data using machine learning algorithms
ZEHRA ÇETİN
Doktora
Türkçe
2022
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. NACİ YASTIKLI
- Derin öğrenme tabanlı yapı elektrik plan çizimi
Deep learning based building electrical plan drawing
BAYRAM AKGÜL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN KUTUCU
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Automatic segmentation, quantification and rating of periventricular white matter hyperintensity in demented patients
Demanslı hastalarda perventriküler beyaz cevher hiperintensitesinin otomatik bölütlenmesi, ölçümü ve derecelendirilmesi
LEONARDO OBINNA IHEME
- Uzaysal modülasyon sistemlerinde derin öğrenme tabanlı anten seçimi
Deep learning based antenna selection for spatial modulation systems
İLKER AHMET ARSLAN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiMilli Savunma ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN ALTIN
