Técnicas de optimización de redes Wi-Fi centradas en el cliente

Actas de las XV Jornadas de Ingeniería Telemática (JITEL 2021), A Coruña (España), 27-29 de octubre de 2021. This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) T´ ecnicas de optimizaci´ on de redes Wi-Fi centradas en el cliente Luis Cruz-Pirisa, Jose Manuel Gimenez-Guzmana, Ivan Marsa-Maestrea, Susel Fernandeza, Marino Tejedor-Romerob aDepartamento de Autom´ atica, bDepartamento de F´ ısica y Matem´ aticas Universidad de Alcal´ a Escuela Polit´ ecnica Superior, Campus Universitario, 28805 Alcal´ a de Henares (Madrid), Spain. {luis.cruz,josem.gimenez,ivan.marsa,susel.fernandez,marino.tejedor}@uah.es Aunque las redes de comunicaci´ on tienen como objetivo principal dotar de conectividad y proporcionar servicios a los usuarios finales, el papel que tienen estos en su dise˜ no y configuraci´ on es testimonial. En la capa del n´ ucleo y distribuci´ on de las redes parece razonable que sea as´ ı. Sin embargo, en la capa de acceso y, especialmente en redes de acceso inal´ ambrico donde las acciones de los usuarios alteran de forma sustancial la propia red, no lo es tanto. La hip´ otesis principal de este trabajo es que el dise˜ no, gesti´ on y configuraci´ on de redes de acceso inal´ ambrico centradas en los usuarios puede proporcionar mejores soluciones respecto a los esquemas actuales. En concreto se propondr´ a un algoritmo gen´ etico para la asignaci´ on de canales ´ optima entre puntos de acceso. Posteriormente, se aplicar´ an t´ ecnicas centradas en los clientes como son la reasignaci´ on de clientes a diferentes puntos de acceso y la desconexi´ on temporal de clientes concretos. Los experimentos muestran que dichas t´ ecnicas permiten mejorar sensiblemente el rendimiento. Palabras Clave—Wi-Fi, optimizaci´ on, asignaci´ on de canales, algoritmo gen´ etico, usuarios I. INTRODUCCI ´ ON En las dos ´ ultimas d´ ecadas, las redes de acceso locales inal´ ambricas han revolucionado la manera en la que los usuarios se conectan a Internet. Entre estas redes, destacan las basadas en la familia de protocolos IEEE 802.11, comercialmente conocidas como redes Wi-Fi. Aunque las redes Wi-Fi disponen de varios modos de funcionamiento, el m´ as popular es el modo infraestructura. En dicho modo, las redes constan de dos tipos de dispositivos de red: puntos de acceso (AP) y estaciones (STA). Ejemplos de STA son ordenadores, tel´ efonos, tabletas, etc. En el modo infraestructura, cada STA se asocia a un determinado AP y todas sus comunicaciones con el resto de la red se realizan a trav´ es de dicho AP. Por ese motivo, com´ unmente se indica que las STA son clientes de los APs. La cada vez mayor demanda de servicios de red y coexistencia de redes inal´ ambricas y usuarios que comparten una misma banda de frecuencias del espectro radioel´ ectrico ha provocado que el dise˜ no y operaci´ on de las redes Wi-Fi sea un problema al que la comunidad cient´ ıfica deba atender. As´ ı pues, la casi totalidad de los trabajos relacionados con las redes Wi-Fi ponen el foco en los APs. Sin embargo, este trabajo parte de la hip´ otesis de que, si los clientes finales son las STAs, estas deben tener un papel m´ as relevante en el funcionamiento de la red. Es habitual que se asuma que las STAs se asocien al AP del cual reciben una mayor potencia de se˜ nal recibida, siendo pocos los trabajos que no hacen dicha suposici´ on. Por ejemplo, en [1] se tiene en cuenta la asociaci´ on STAAP de manera conjunta con la asignaci´ on del canal en el que opera cada punto de acceso. De hecho, la asignaci´ on o selecci´ on del canal en el que opera cada AP ha sido profusamente estudiada, por la complejidad del problema y el impacto que tiene en las prestaciones de la red. En [2] se recogen los principales esfuerzo realizados en este campo, clasificando las t´ ecnicas en dos categor´ ıas: centralizadas y no coordinadas. No obstante, desde la publicaci´ on de dicho estado del arte, han aparecido numerosas aportaciones a este problema [3], [4], [5], [6]. Pese a los numerosos estudios, la asignaci´ on de canales en redes Wi-Fi no es un problema resuelto dada su complejidad. Una de las fuentes de esa complejidad en la asignaci´ on de canales Wi-Fi es el hecho de que los canales adyacentes en los que puede operar un AP se solapan parcialmente entre s´ ı. Este trabajo se centra en la asignaci´ on de canales en redes Wi-Fi en modo infraestructura d´ andole un mayor protagonismo al cliente final, siendo sus principales contribuciones las siguientes: 1) Propuesta de un algoritmo gen´ etico para conocer las prestaciones m´ aximas que puede ofrecer una red Wi-Fi mediante una selecci´ on ´ optima de canal. 2) Estudio y evaluaci´ on de t´ ecnicas de asignaci´ on de 241 Cruz-Piris, Gimenez-Guzman, Marsa-Maestre, Fernandez, Tejedor-Romero, 2021. canales ´ optima cuando se permite que las STAs no se asocian autom´ aticamente al AP del que reciben una mayor potencia de se˜ nal sino al que maximiza el rendimiento de la red. 3) Adicionalmente, tambi´ en se contempla la opci´ on de realizar una desconexi´ on selectiva de STAs de manera temporal para que as´ ı, actuando de manera solidaria temporalmente, otras STAs de la red puedan mejorar su rendimiento. La estructura del trabajo se indica a continuaci´ on. La siguiente secci´ on describe las t´ ecnicas de optimizaci´ on basadas en los clientes, mientras que las secciones III y IV se centran en la descripci´ on de los experimentos y resultados. Finalmente, la secci´ on V concluye el trabajo y define las pr´ oximas l´ ıneas de estudio. II. T ´ ECNICAS DE OPTIMIZACI ´ ON CENTRADAS EN LOS CLIENTES Dado que la posibilidad de configurar hasta x par´ ametros en ynodos de cada escenario inal´ ambrico es un problema combinatorio de tipo NP-hard [7], las soluciones con un enfoque centralizado y basada en metaheur´ ısticas son muy frecuentes. El uso de algoritmos evolutivos, especialmente gen´ eticos, en este contexto no es nuevo. En [8] los autores buscan ubicaciones ´ optimas para desplegar puntos de acceso con el objetivo de mantener unos niveles m´ ınimos de se˜ nal en todo la zona. En este trabajo se ha realizado un enfoque diferente partiendo de ubicaciones ya fijadas y variando la asignaci´ on de canales que utilizada cada punto de acceso. En la secci´ on A se muestra el algoritmo gen´ etico dise˜ nado con este fin. Posteriormente, en las secciones B y C se explicar´ an, de forma resumida, dos t´ ecnicas para variar las configuraciones de la red inal´ ambrica centradas en los clientes. A. Asignaci´ on de canales basada en un algoritmo gen´ etico En una red Wi-Fi tenemos un conjunto de npuntos de acceso (APi) a los que se les debe asignar un canal (chj) de entre los mdisponibles en el conjunto CH. Para el caso de la banda de 2.4 GHz, m= 11. Teniendo en cuenta esto, se define el individuo del algoritmo gen´ etico como la sucesi´ on de canales asignados a cada APs, es decir, I= [ch1, ch2, . . . , chn]donde chx∈CH y cada gen se corresponde con un APi. Por tanto, la longitud del individuo ser´ an(n´ umero de APs de la red). Los operadores definidos para este GA se muestras a continuaci´ on: •Generaci´ on de la poblaci´ on inicial: Para cada gen que compone cada individuo se le asigna de forma aleatorio un valor del conjunto CH. •Operador de cruce: Dados dos individuos (padre 1 y padre 2), se genera un vector de la misma longitud de los individuos formado por unos y ceros. El hijo es el resultado de tomar los valores de las posiciones donde este vector vale cero del padre 1 y en las posiciones que tiene el valor uno del padre 2. •Operador de mutaci´ on: Se eval´ ua cada gen del individuo y con una probabilidad Pmse asigna a ese gen un nuevo valor del conjunto CH. •Funci´ on de evaluaci´ on: Representa la utilidad total de la red. Se detalla en la secci´ on III.A. B. Reasignaci´ on de clientes (CR) En el modo de funcionamiento pasivo de la redes Wi-Fi, las STA (clientes) escuchan esperando la llegada de balizas generadas por los APs. En estas balizas, cada AP proporciona informaci´ on relativa a sus modos de funcionamiento e identificaci´ on. En el caso de que una STA tenga varias alternativas para conectarse a una misma red, de forma generalizada, inicia el proceso de conexi´ on al AP que le ofrece la se˜ nal con mayor potencia. Partiendo de la hip´ otesis de que para redes muy densas este tipo de asignaci´ on puede no ser la mejor opci´ on, se dise˜ na una metodolog´ ıa de reasignaci´ on de cliente a AP que sigue los siguientes pasos: 1) Desde el punto de vista de cada STA se establecen los APs que est´ an en su radio de cobertura. 2) Cada STA eval´ ua la calidad de su conexi´ on en base al par´ ametro RSSI (Received Signal Strength Indicator). 3) Se establece un valor umbral con la calidad m´ ınima deseable para cada STA. 4) Cada STA que tiene tiene una conexi´ on con un valor de RSSI inferior al umbral, se desconecta del AP actual y establece una conexi´ on con el siguiente AP m´ as pr´ oximo (con mejor valor de potencia). 5) Se eval´ ua el nuevo valor de utilidad de ese nodo. Si es mejor, la conexi´ on se hace permanente, si empeora, el algoritmo prueba con el siguiente AP. C. Desconexi´ on selectiva de clientes (SD) En situaciones donde el n´ umero de STA es muy numeroso y hay un alto grado de interferencias, el valor de RSSI de cada STA suele ser bajo. Esto afecta directamente a la calidad de la conexi´ on, llegando incluso a la degradaci´ on del servicio sea tal que pudiera ser equivalente a que una STA no estuviera asociado a su AP. De esta situaci´ on se plantea la hip´ otesis de que los clientes puedan elegir periodos de tiempo de inactividad, donde evitar´ ıan realizar cualquier tipo de emisi´ on y, por tanto, dejar´ ıan de actuar como se˜ nales interferentes sobre el resto. Si adem´ as, esta desconexi´ on selectiva se realiza por grupos, la utilidad total de la red podr´ ıa aumentar previsiblemente. Con este fin se dise˜ na el modo de funcionamiento SD. Cada STA que tiene un valor RSSI inferior a un determinado valor, puede agruparse con otras STA en la misma situaci´ on. Estos grupos de STAs deciden intervalos de tiempo en los que pasaran a un modo inactivo. Este comportamiento se replica entre grupos de STA coordinadas. En esta fase de la investigaci´ on, donde se persigue validar la funcionalidad de este sistema, la gesti´ on de las STA se realiza de forma centralizada. This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) 242 T´ ecnicas de optimizaci´ on de redes Wi-Fi centradas en el cliente III. EXPERIMENTOS Para aplicar las primeras pruebas sobre las t´ ecnicas propuestas se han tenido que desarrollar dos tipos de elementos: un modelo para la propagaci´ on de se˜ nales e interferencias, y un conjunto de escenarios representativos sobre los que realizar los experimentos. En esta secci´ on se mostrar´ an, de forma resumida, las propuestas realizadas en estos sentidos. A. Modelo de propagaci´ on e interferencias Las redes de comunicaciones son modeladas habitualmente como grafos. Para este problema en concreto se ha optado por utilizar dos grafos: el grafo de conectividad (G) y el grafo de interferencias (I). G representa la asociaci´ on entre los clientes (STA) y los puntos de acceso (AP) de la red Wi-Fi basada en infraestructura. Como las interferencias tendr´ an diferentes intensidades, I es un grafo ponderado donde el coste de cada enlace representa ese valor. Dados dos nodos xey, funcionando en los canales iyj, respectivamente (iyj∈ {1,...,11}, puede ser definida como: I(x, y) = Pt+Gt+Gr−L−Ploss +ψ+W(i, j),(1) donde Ptes la potencia de transmisi´ on en dBm, Gty Grrepresentan la ganancias de las antenas de emisi´ on y recepci´ on en dB, Lrepresenta las p´ erdidas de potencia debida a los posibles obst´ aculos en dB y Ploss representa las p´ erdidas de propagaci´ on en dB (basado en la distancia y alturas de las antenas [9]). Ya que las estaciones y los puntos de acceso no est´ an transmitiendo todo el tiempo, se estable el par´ ametro ψcomo el ´ ındice de actividad. Por ´ ultimo, W(i, j)representa la interferencia entre los canales iyjdebido a su solapamiento en frecuencia. Los valores utilizados para definir W(i, j)son los obtenidos en base a experimentos en [10]. Ya que el uso de redes basadas en frecuencias de 2.4 GHz son las m´ as habituales, y las que por su radio de cobertura generan m´ as conflictos, ser´ a esta banda en la que se centre el modelo realizado. A partir de los grafos G e I es sencillo obtener el valor de SINRi(signal-to-interference-plus-noise ratio) como el cociente entre la se˜ nal deseada y la suma del resto de se˜ nales interferentes que recibe el nodo i. La utilidad de cada nodo (Ui) es un valor entre 0 y 1, obtenido a partir de su SINRital y como se muestra en [11]. La funci´ on objetivo de este modelo calcula el valor de utilidad de cada nodo y devuelve la suma de utilidades tal que U= P∀iUi. B. Escenarios de pruebas Las pruebas realizadas se han llevado a cabo utilizando la distribuci´ on de APs (26 en total) existente en la primera planta de la Escuela Polit´ ecnica Superior de la Universidad de Alcal´ a. Se han generado un conjunto de 12 escenarios diferentes, variando el n´ umero de estudiantes y sus posiciones (teniendo en cuenta si se encuentran dentro o fuera de las aulas). Estos escenarios pueden verse en detalle en trabajos anteriores como [3], [5], [7], [6]. En la fig.1 se muestran 3 de los 12 escenarios donde se pueden apreciar como los APs (puntos azules) siempre Fig. 1. Representaci´ on de tres escenarios donde los c´ ırculos azules representan los puntos de acceso y el resto de c´ ırculos los clientes (coloreados seg´ un su valor de utilidad). est´ an ubicados en las mismas posiciones, mientras los clientes (resto de puntos) var´ ıan de posici´ on y aumentan seg´ un el escenario. C. Pruebas realizadas La asignaci´ on de canales a cada punto de acceso ha sido abordada en anteriores trabajos utilizando optimizadores basado en LCCS (Least Congested Channel search), SA (Simulated Annealing)[3] y CRO-SL (Coral Reefs Optimization with Substrate Layer)[6]. En este trabajo se introduce los algoritmos gen´ eticos (GA) como t´ ecnica de optimizaci´ on base, adem´ as de aplicar sobre los mejores resultados obtenidos, los m´ etodos de reasignaci´ on de clientes (CR) y desconexi´ on selectiva (SD). En un primer conjunto de pruebas se realiza la optimizaci´ on de los canales Wi-Fi para los mismos 12 escenarios de anteriores trabajos utilizando el algoritmo gen´ etico propuesto en la secci´ on A. Para cada uno de los escenarios realiza la elecci´ on de canales utilizando el GA una probabilidad de mutaci´ on del 2%. Estos resultados se comparar´ an con los obtenidos por otros m´ etodos. Un segundo bloque de pruebas se centra en, a partir de la mejor configuraci´ on de canales obtenidas para con CRO-SL y GA, se aplicar de forma centraliza una resignaci´ on de clientes y una desconexi´ on selectiva, evaluando el valor de la funci´ on de utilidad global de cada escenario. IV. RESULTADOS INICIALES La tabla I compara la propuesta de utilizar un algoritmo gen´ etico para la optimizaci´ on de la asignaci´ on de canales Wi-Fi en escenarios complejos con los resultados obtenidos en trabajos anteriores [6]. Los resultados de la propuesta mejoran siempre los obtenidos con LCCS y SA. Adem´ as, se aproximan e incluso mejoran en determinados This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) 243 Cruz-Piris, Gimenez-Guzman, Marsa-Maestre, Fernandez, Tejedor-Romero, 2021. escenarios a los valores obtenidos con CRO, siendo GA una t´ ecnica computacionalmente menos costosa. Tabla I VALORES DE UTILIDAD M ´ AXIMA OBTENIDOS PARA M ´ ETODO DE OPTIMIZACI ´ ON DE ASIGNACI ´ ON DE CANALES WI-FI UTILIZADOS. Escenario LCCS SA CRO-SL GA 1 214,05 244,68 251,17 245,73 2 206,91 234,40 241,29 236,98 3 233,19 239,09 249,69 243,43 4 285,93 356,00 365,24 358,44 5 314,16 356,68 377,13 371,56 6 315,63 385,10 375,96 378,26 7 378,83 494,36 512,93 502,39 8 396,42 543,48 556,20 557,11 9 371,06 501,92 507,32 510,07 10 468,93 605,03 598,94 593,04 11 472,61 601,77 636,32 613,75 12 481,65 586,66 616,83 600,61 Para analizar las posibles ventajas de los m´ etodos de reasignaci´ on de clientes (CR) y desconexi´ on selectiva (SD) se han tomado como base las configuraciones obtenidas con los optimizadores CRO-SL y GA en el paso anterior, ya que son los que mejor valor de utilidad han ofrecido. A partir de estos escenarios en lo que se hab´ ıa ya est´ abamos en valores m´ aximos, se ha procedido a analizar la repercusi´ on que tendr´ ıan los m´ etodos CR y SD. Los resultados obtenidos para todos los escenarios de estudio se muestran en la tabla II. Tabla II MEJORAS OBTENIDAS CON LOS M ´ ETODOS DE REASIGNACI ´ ON DE CLIENTES (CR) Y DESCONEXI ´ ON SELECTIVA (SD). Escenario CRO-SL GA OP CR SD OP CR SD 1 251,17 252,43 267,62 245,73 248,17 260,55 2 241,29 241,31 253,48 236,98 237,06 252,74 3 249,69 250,30 259,56 243,43 243,43 250,75 4 365,24 365,24 392,91 358,44 361,33 380,99 5 377,13 378,39 409,72 371,56 373,73 406,41 6 375,96 377,06 414,58 378,26 379,58 415,28 7 512,93 514,14 564,95 502,39 502,60 551,62 8 556,20 558,07 599,20 557,11 558,97 600,85 9 507,32 507,99 557,61 510,07 511,61 555,84 10 598,94 607,28 679,18 593,04 594,52 667,32 11 636,32 637,96 694,78 613,75 617,13 684,80 12 616,83 618,27 696,17 600,61 601,89 682,07 Aunque la configuraci´ on base de los APs en estos escenarios es un caso extremo en el sentido de que se ha llegado previamente a unos valores de utilidad muy elevados con procesos de optimizaci´ on intensivos, se puede apreciar como los m´ etodos CR y SD proporcionan mejoras sensibles. Para el caso de la reconexi´ on selectiva se consiguen mejoras de entre el 0,5% y el 1%. Estas mejoras no son demasiado grandes, pero se deben de poner en el contexto de un escenario est´ atico y muy optimizado. Por otro lado, la desconexi´ on selectiva de las STA que tiene peor RSSI del escenario proporciona mejoras en la utilidad global de entorno al 10%, llegando a tener incluso valores m´ aximos del 13,56%. V. TRABAJOS FUTUROS Nuestro objetivo es explorar la posibilidad de trasladar el peso de la configuraci´ on de una red Wi-Fi a los clientes, frente a los mecanismos tradicionales centrados en la propia red. En este art´ ıculo se presentan las primeras hip´ otesis y resultados de nuestro trabajo en esta l´ ınea, quedando de manifiesto que es un desaf´ ıo importante pero con el potencial de ser muy fruct´ ıfera. Las t´ ecnicas utilizadas de reasignaci´ on y desconexi´ on selectiva de clientes, aunque llevadas a cabo desde un punto de vista centralizado, muestran que proporcionan mejoras sensibles. Los siguientes pasos de la investigaci´ on se centrar´ an en la aplicaci´ on de estas t´ ecnicas de forma distribuida, a partir de la percepci´ on de cada cliente. AGRADECIMIENTOS Este trabajo ha sido parcialmente financiado por las ayudas SBPLY/19/180501/000171 de la Junta de Comunidades de Castilla-La Mancha y FEDER, y CM/JIN/2019031 de la Comunidad de Madrid y la Universidad de Alcal´ a. REFERENCIAS [1] B. P. Tewari and S. C. Ghosh, “Joint frequency assignment and association control to maximize the aggregate throughput in ieee 802.11 wlan,” Wireless Personal Communications, vol. 94, no. 3, pp. 1193–1221, 2017. [2] S. Chieochan, E. Hossain, and J. Diamond, “Channel assignment schemes for infrastructure-based 802.11 WLANs: A survey,” IEEE Communications Surveys & Tutorials, vol. 12, no. 1, 2010. [3] E. de la Hoz, J. Gimenez-Guzman, I. Marsa-Maestre, and D. Orden, “Automated Negotiation for Resource Assignment in Wireless Surveillance Sensor Networks,” Sensors, vol. 15, no. 11, pp. 29 547–29 568, Nov. 2015. [4] M. Abusubaih, “Using Partially Overlapping Channels in Home 802.11g WLANs,” Wireless Personal Communications, vol. 88, no. 2, pp. 295–303, May 2016. [5] E. De La Hoz, I. Marsa-Maestre, J. M. Gimenez-Guzman, D. Orden, and M. Klein, “Multi-agent nonlinear negotiation for wi-fi channel assignment.” in AAMAS, 2017, pp. 1035–1043. [6] C. Camacho-G´ omez, I. Marsa-Maestre, J. M. Gimenez-Guzman, and S. Salcedo-Sanz, “A Coral Reefs Optimization algorithm with substrate layer for robust Wi-Fi channel assignment,” Soft Computing, vol. 23, no. 23, pp. 12 621–12 640, Dec. 2019. [7] D. Orden, J. Gimenez-Guzman, I. Marsa-Maestre, and E. de la Hoz, “Spectrum Graph Coloring and Applications to Wi-Fi Channel Assignment,” Symmetry, vol. 10, no. 3, p. 65, Mar. 2018. [8] L. Nagy and L. Farkas, “Indoor base station location optimization using genetic algorithms,” in 11th IEEE International Symposium on Personal Indoor and Mobile Radio Communications. PIMRC 2000. Proceedings (Cat. No.00TH8525), vol. 2, 2000, pp. 843–846 vol.2. [9] D. Green and A. Obaidat, “An accurate line of sight propagation performance model for ad-hoc 802.11 wireless lan (wlan) devices,” in 2002 IEEE International Conference on Communications. Conference Proceedings. ICC 2002 (Cat. No.02CH37333), vol. 5, 2002, pp. 3424–3428 vol.5. [10] S. W. Ng and T. Szymanski, “Interference measurements in an 802.11n wireless mesh network testbed,” in 2012 25th IEEE Canadian Conference on Electrical and Computer Engineering (CCECE), 2012, pp. 1–6. [11] A. Bazzi, “On uncoordinated multi user multi rat combining,” in 2011 IEEE Vehicular Technology Conference (VTC Fall), 2011, pp. 1–6. This work is licensed under a Creative Commons 4.0 International License (CC BY-NC-ND 4.0) 244