Um agente baseado em aprendizado por reforço para ajuste de parâmetros de um MAC CSMA/CA

Abstract

A tecnologia IEEE 802.11, popularmente conhecida por Wi-Fi, é uma tecnologia fundamental para redes locais sem-fio, proporcionando aceesso ubíquo a Internet. Todavia, aparelhos conectados a uma rede sem-fio precisam dividir o mesmo meio de comunicação para transmitir quadros de dados, o que ocasionalmente causa disputa pelo canal e possivelmente colisões de quadros. O protocolo MAC CSMA/CA usado no Wi-Fi impõe tempos de espera aleatórios antes da transmissão de quadros, para reduzir a chance de sobreposição de transmissões de diferentes dispositivos. No entanto, as durações desses tempos aleatórios podem não resultar num bom desempenho em dado cenário, onde uma certa quantidade de dispositivos disputam o canal para suas transmissões. A proposta desse trabalho é desenvolver um agente que ajuste dinamicamente os parâmetros do protocolo MAC, tais como janela de disputa e AIFS, de acordo com o estado do canal, buscando o melhor desempenho em diferentes cenários. Devido à complexidade da tarefa, uma técnica de aprendizado por reforço será utilizada, capacitando o agente de realizar sua função com a experiência de resultados anteriores.The IEEE 802.11 standard, commercially known as Wi-Fi, is the fundamental technology for wireless local area networks, providing ubiquitous Internet access. However, devices connected to a wireless network must share the same communication medium to transmit data frames, which leads to channel contention and potential frame collisions. The CSMA/CA MAC protocol used in Wi-Fi imposes random waiting times before frame transmission in order to reduce the likelihood of overlapping transmissions from different devices. Nonetheless, the duration of these random backoff intervals may not provide optimal performance in a given scenario, where a certain number of devices compete for channel access. The objective of this work is to develop an agent capable of dynamically adjusting MAC parameters, such as the contention window and AIFS, according to channel conditions, aiming to achieve improved performance across different scenarios. Due to the complexity of this task, a reinforcement learning technique will be employed, enabling the agent to perform its function based on experience gained from previous outcomes.