ReinWiFi: A Reinforcement-Learning-Based Framework for the Application-Layer QoS Optimization of WiFi Networks

要約

本論文では、未知の干渉に悩まされる実用的な無線ローカルエリアネットワーク（WLAN）のアプリケーション層のサービス品質（QoS）を最適化するために、強化学習ベースのスケジューリングフレームワークを提案し、実装する。特に、拡張分散チャネルアクセス(EDCA)機構を持つWLANにおいて、ファイル配信と遅延に敏感な通信、例えばスクリーン投影のアプリケーション層タスクは、ファイル配信のスループットと遅延に敏感な通信のラウンドトリップタイムを含むQoSを最適化できるように、競合ウィンドウサイズとアプリケーション層のスループット制限を調整することによって、共同でスケジューリングされる。ネットワークインターフェイスカードの干渉やベンダ依存の実装が未知であるため、スケジューリングポリシーとシステムQoSの関係は未知である。そこで、過去のスケジューリングパラメータとQoS観測値から現在のスケジューリングアクションにマッピングする新しいQネットワークを学習する強化学習法を提案する。提案されたフレームワークが従来のEDCAメカニズムよりも大幅に優れたQoSを達成できることをテストベッド上で実証する。

要約(オリジナル)

In this paper, a reinforcement-learning-based scheduling framework is proposed and implemented to optimize the application-layer quality-of-service (QoS) of a practical wireless local area network (WLAN) suffering from unknown interference. Particularly, application-layer tasks of file delivery and delay-sensitive communication, e.g., screen projection, in a WLAN with enhanced distributed channel access (EDCA) mechanism, are jointly scheduled by adjusting the contention window sizes and application-layer throughput limitation, such that their QoS, including the throughput of file delivery and the round trip time of the delay-sensitive communication, can be optimized. Due to the unknown interference and vendor-dependent implementation of the network interface card, the relation between the scheduling policy and the system QoS is unknown. Hence, a reinforcement learning method is proposed, in which a novel Q-network is trained to map from the historical scheduling parameters and QoS observations to the current scheduling action. It is demonstrated on a testbed that the proposed framework can achieve a significantly better QoS than the conventional EDCA mechanism.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL