Um Algoritmo de Clusterização Espectral para Agrupamento Inteligente em Redes sem Fio Densas

• Bruna T. Guedes UFF
• Diego G. Passos UFF / Instituto Politécnico de Lisboa
• Fernanda G. O. Passos Instituto Politécnico de Lisboa / Atlântica - Instituto Universidade

DOI: https://doi.org/10.5753/sbrc_estendido.2023.705

Resumo

O mecanismo de Restricted Access Window (RAW) foi introduzido pelo IEEE 802.11ah para melhorar o desempenho das Redes Sem Fio Densas (ou Dense Wireless Networks, DWN). O RAW restringe o número de estações que podem acessar o canal, separando-as em grupos. Este trabalho propôs duas estratégias de agrupamento para formação dos grupos RAW, com o objetivo principal de diminuir os terminais ocultos dentro de cada grupo, aumentando o desempenho da DWN. A primeira estratégia utiliza o K-Means assumindo a disponibilidade da posição geográfica das estações, enquanto a segunda relaxa esta hipótese e utiliza o agrupamento espectral sobre a informação de Received Signal Strength Indicator (RSSI). Simulações extensivas indicam que as estratégias propostas superam significativamente o agrupamento padrão do IEEE 802.11ah e o algoritmo Hidden Matrix-based Regrouping (HMR) em termos de taxa de colisão, vazão e atraso.

Referências

Abbas, O. A. (2008). Comparisons between data clustering algorithms. International Arab Journal of Information Technology (IAJIT), 5(3).

Arnosti, S. (2020). Estratégias para agrupamento de nós e alocação dinâmica de recursos em redes IEEE 802.11ah. Master’s thesis, Universidade Estadual de Campinas, Campinas, SP.

Bianchi, G., Fratta, L., and Oliveri, M. (1996). Performance evaluation and enhancement of the CSMA/CA MAC protocol for 802.11 wireless LANs. In Proceedings of PIMRC’96-7th International Symposium on Personal, Indoor, and Mobile Communications, volume 2, pages 392–396. IEEE.

Cao, S., Lu, W., and Xu, Q. (2015). Grarep: Learning graph representations with global structural information. In Proceedings of the 24th ACM international on conference on information and knowledge management, pages 891–900.

Chin, C.-F., Shih, A. C.-C., and Fan, K.-C. (2010). A novel spectral clustering method based on pairwise distance matrix. J. Inf. Sci. Eng., 26(2):649–658.

Cisco, U. (2020). Cisco annual internet report (2018–2023) white paper. Cisco: San Jose, CA, USA.

Guedes, B. T., Passos, F. G., and Passos, D. (2019). The role of artificial intelligence in current and future dense wireless networks. In 2019 1st Blockchain, Robotics and AI for Networking Security Conference (BRAINS), pages 1–8. IEEE.

Hefeeda, M., Gao, F., and Abd-Almageed, W. (2012). Distributed approximate spectral clustering for large-scale datasets. In Proceedings of the 21st international symposium on High-Performance Parallel and Distributed Computing, pages 223–234.

Lucińska, M. and Wierzchoń, S. T. (2018). Clustering based on eigenvectors of the adjacency matrix. International Journal of Applied Mathematics and Computer Science, 28(4).

Raeesi, O., Pirskanen, J., Hazmi, A., Levanen, T., and Valkama, M. (2014). Performance evaluation of IEEE 802.11 ah and its restricted access window mechanism. In 2014 IEEE international conference on communications workshops (ICC), pages 460–466. IEEE.

Rittenhouse, M. L. (2008). Properties and Recent Applications in Spectral Graph Theory. PhD thesis, Virginia Commonwealth University.

Spielman, D. (2012). Spectral graph theory. Combinatorial scientific computing, 18.

Tian, L., Famaey, J., and Latré, S. (2016). Evaluation of the IEEE 802.11 ah restricted access window mechanism for dense IoT networks. In 2016 IEEE 17th international symposium on a world of wireless, mobile and multimedia networks (WoWMoM), pages 1–9. IEEE.

Yoon, S., J.Seo, and Bahk, S. (2016). Regrouping algorithm to alleviate the hidden node problem in 802.11 ah networks. Computer Networks, 105:22–32.