A CART Based Mechanism for Collision Detection in IEEE 802.11

Anuncio
920
IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 3, MAY 2013
A CART Based Mechanism for Collision Detection
in IEEE 802.11
M. N. Aman and B. Sikdar, Senior Member, IEEE
1
Abstract— The ability to detect and distinguish packet errors
due to collisions from those caused by channel errors can
significantly impact the performance of medium access control
(MAC) protocols such as IEEE 802.11. In particular, such
mechanisms affect the backoff mechanism as well as rate
adaptation algorithms. This paper presents a real-time algorithm
based on classification and regression trees (CART) for
distinguishing packet corruption and losses due to channel errors
from those caused by collisions with other simultaneous
transmissions. Using a set of four metrics, we propose a classifier
tree that reduces the classification errors by considering the
impact of channel variations and collisions on bit errors from
multiple, disparate perspectives. Extensive simulation results are
used to verify the superior performance of the proposed
technique over existing mechanisms.
Keywords— Wireless Networks, Collision Detection, IEEE
802.11, Local Area Networks.
E
I. INTRODUCCION
L USO de tecnologías inalámbricas para el acceso a la red
se ha vuelto muy popular en la última década. Entre los
diversos mecanismos de Wi-Fi disponibles, IEEE 802.11 o
Wi-Fi es el más popular para redes de área local (LAN).
Importante trabajo realizado en los últimos años para mejorar
el rendimiento de IEEE 802.11. Sin embargo, varios factores
asociados con el uso de la detección de portadora acceso
múltiple (CSMA) como el protocolo subyacente para
compartir el medio conduce a ciertas ineficiencias que no han
abordado todavía. Este documento aborda el problema de la
detección de colisiones en redes inalámbricas mediante IEEE
802.11 como protocolo MAC.
La incapacidad de una radio inalámbrica para transmitir y
escuchar al mismo tiempo implica que el IEEE 802.11
depende CSMA con la evitación de colisión (CA) en lugar de
CSMA con detección de colisiones (CD) como Ethernet o
IEEE 802.3. Además, a diferencia de IEEE 802.3 donde todos
los nodos comparten un dominio de colisión son capaces de
recibir transmisiones entre sí, nodos usando IEEE 802.11
pueden ser demasiado de algunos nodos para recibir sus
transmisiones (y viceversa) pero todavía causan colisiones
mutuamente. La incapacidad de un nodo inalámbrico para
"detectar" una colisión tiene dos efectos negativos: en primer
lugar, se desperdicia ancho de banda en las transmisiones que
chocan en vez de terminarles. En segundo lugar, un nodo
innecesariamente realiza backoff y aplaza accedan al canal,
-----------------------------------------------
1
M. N. Aman, Rensselaer Polytechnic Institute, Troy, NY, USA,
naveed.aman@nu.edu.pk
B. Sikdar, Rensselaer Polytechnic Institute, Troy, NY, USA,
bsikdar@ecse.rpi.edu
incluso cuando una pérdida de paquetes es causada debido a
errores de canal, puesto que el nodo no puede distinguir entre
un error de canal y una colisión. Esto es porque IEEE 802.11
utiliza un mecanismo donde los paquetes de reconocimiento
(ACK) se utilizan para deducir la entrega exitosa de un
paquete. En IEEE 802.11, si un nodo no recibe una
confirmación para su transmisión, si infiere el paquete se
perdió debido a una colisión y realiza un backoff exponencial.
Sin embargo, en entornos inalámbricos una pérdida del
paquete también puede deberse a errores de canal causados
por las señales débiles y desvanecimiento multitrayecto.
Además de ayudar a optimizar el uso del mecanismo
backoff en IEEE 802.11, la capacidad de detectar colisiones y
distinguir las pérdidas de paquetes causadas por las colisiones
de los causados por errores de canal puede tener un impacto
positivo en otros mecanismos así. Por ejemplo, adaptación de
la velocidad de datos codiciosos se ha propuesto para muchas
aplicaciones de alta velocidad de datos. Algoritmos de
adaptación de tipo agresivo como AMRR y SampleRate
[1],[2], intente aumentar el rendimiento mediante tasas de
datos con mayores tasas de pérdida. Así, si la relación señal a
ruido (SNR) es baja, un paquete modulado a una velocidad de
datos alta puede estar dañado por el medio ambiente en la
medida en que el receptor deja caer. Sin embargo, el IEEE
802.11 deduce esta pérdida de paquetes como una colisión e
inicia el proceso de backoff exponencial. Por el momento que
los algoritmos de adaptación tasa atribuyen la pérdida de
paquetes a una señal débil (generalmente después de múltiples
intentos de retransmisión de fallidos) el nodo experiencias
significativa (e innecesaria) pérdida de rendimiento.
De la discusión anterior es evidente que comprender la
causa de una pérdida de paquetes es un factor importante para
mejorar el rendimiento de las redes inalámbricas. Literatura
existente ha demostrado que la clasificación correcta de
errores de paquete puede aumentar el rendimiento en un 2060% y reducir las retransmisiones en 40%, dependiendo de las
condiciones del canal [3]. Este documento aborda el problema
de desarrollar un mecanismo para determinar con exactitud la
causa de una pérdida de paquetes por clasificar con exactitud
la pérdida como causados por una colisión o debido a errores
de canal.
Un pequeño número de técnicas se ha propuesto en la
literatura para la detección de colisión en redes inalámbricas.
Un mecanismo de detección de colisiones, llamado a CARA
se ha propuesto en [4] y se basa en el uso de múltiples
paquetes RTS/CTS. Usos RRAA [5] la CARA basado en
esquema RTS/CTS para deducir una pérdida de paquetes sea
debido a una colisión o señal débil. Un método para aislar
AMAN AND SIKDAR : A CART BASED MECHANISM FOR COLLISION
errores físicos paquetes de errores de paquete de colisión con
RTS/CTS y paquete de fragmentación se da en [6]. Estos
métodos requieren la observación y la transmisión de varios
paquetes RTS/CTS, por lo que requiere mucho tiempo para
aislar a la causa de una pérdida de paquetes. Por el contrario,
nuestro enfoque para la detección de colisiones es más directo
y se basa en indicadores que pueden obtenerse
inmediatamente en el paquete recibido, así nos da resultados
inmediatos en tiempo real. En [3] se propone un esquema para
la detección de colisión con tres canal calidad relacionada con
las métricas y un voto de métrico. Resultados de la simulación
presentados en este documento muestran que nuestra
propuesta técnica lleva a una reducción significativa en las
tasas de falsas alarmas y mejora en la precisión de la
detección.
En este trabajo se propone un mecanismo basado en el uso
de la clasificación y árboles de regresión para determinar la
raíz causan de una pérdida de paquetes y clasifican las
pérdidas como colisiones o errores de canal. El mecanismo
propuesto utiliza un vector de parámetros asociados a la
calidad de recepción de la señal a un receptor. Estos
indicadores y datos de simulación extensa se utilizan para
generar un árbol de clasificación y regresión para el análisis
de causa raíz. Demostramos que la información recabada
relacionadas con los cuatro indicadores pueden utilizarse para
crear un modelo de CART muy preciso para detectar
colisiones. Resultados de la simulación extensa se utilizan
para mostrar el funcionamiento superior de los mecanismo de
detección de colisión propuesta sobre los propuestos en la
literatura.
El resto del libro está organizado como sigue. En la Sección
2 se presentan el modelo de sistema y detalles del simulador
utilizado. Sección 3 presenta la métrica de magnitud basada en
error del vector utilizada en este trabajo. Sección 4 presenta
nuestro colisión del CART basado en resultados de evaluación
de rendimiento y mecanismo de detección. Por último, la
Sección 5 concluye el documento.
II. SISTEMA Y EL MODELO DE SIMULACIÓN
En esta sección se describe el modelo de sistema asumido
en este trabajo. Los modelos de transmisor y receptor utilizan
para este seguimiento de papel el IEEE 802. 11a
especificaciones [7]. Los pares de transmisor y receptor se
supone que conectarse a través de un canal multitrayecto.
Asumimos una multipath plana frecuencia canal de
desvanecimiento Rayleigh usando el modelo de Jake [8].
El transmisor produce una secuencia de bits del mensaje al
azar. Estos bits se pasan a través de un codificador
convolucional interleaver y modulador cuyos parámetros son
dependientes de velocidad de datos. Los parámetros de
modulación depende de la velocidad de datos se dan en la
Tabla 1. El transmisor utiliza modulación OFDM para asignar
a cada uno de los símbolos N modulada a una subportadora
independiente creando corrientes paralelas N. Finalmente la
corrientes paralelas se convierten en una serie de muestras por
921
el paralelo al bloque de conversión serial.
Figura 1. Escenario para la introducción de colisiones.
TABELA I
PARÁMETROS DE MODULACIÓN DEPENDIENTES DE VELOCIDAD DE DATOS
PARA EL MODELO DE SIMULACIÓN
Velocidad de
Datos (Mbps)
Modulación
R
NBPSC
NCBPS
NDBPS
6
9
12
18
24
36
48
54
BPSK
BPSK
QPSK
QPSK
16QAM
16QAM
64QAM
64QAM
1/2
3/4
1/2
3/4
1/2
3/4
2/3
3/4
1
1
2
2
4
4
6
6
48
48
96
96
192
192
288
288
24
36
48
72
96
144
192
216
R: Tipo de codificación, NBPSC: Bits codificados por subpor-tadora, NCBPS: Bits
codificados por símbolo OFDM, NDBPS: Bits de datos por símbolo OFDM
TABELA II
OFDM Y SINCRONIZACIÓN PARÁMETROS RELACIONADOS
Parámetros
Valor
NSYM : Muestras por símbolo OFDM
NFFT : Longitud FFT
NSD : Número de subportadoras de datos
NSP : Número de subportadoras pilotos
NST : Número de subportadoras totales
NTRAIN : Número de símbolos de formación
ΔF : Espaciamiento de frecuencia
subportadora
TFFT : Período IFFT/FFT
TPREAMBLE : Duración preámbulo
TGI : Guarda la duración del intervalo (GI)
TGI2 : Duración de entrenamiento símbolo
GI
TSYM : Intervalo símbolo
TLONG : Duración de la secuencia del
entrenamiento
80
64
48
4
52(NSD + NSP)
2
312.5KHz (20MHz/64)
3.2μs (1/ΔF)
8μs
0.8μs (TFFT /4)
1.6μs
4μs (TGI + TFFT)
8μs
(TGI2 +2TFFT)
El receptor realiza primero serie a paralelo conversión,
luego elimina los prefijos cíclicos y luego realiza una FFT en
la entrada. La señal resultante se pasa a través de un
ecualizador de dominio de frecuencia [9], que utiliza los
símbolos de la formación. Después de la igualación, los
pilotos están separados de la señal y la señal pasa por un
demodulador, deinterleaver y un decodificador de Viterbi.
Este modelo de sistema también se utilizó para todas
nuestras simulaciones. El modelo de simulación de la red fue
creado en Simulink de MATLAB. La Fig. 1 muestra un
escenario de red con un transmisor, un receptor y un n
interferer que fue utilizada para los estudios de simulación. El
tamaño de fotograma del transmisor se fijó en 32 símbolos
OFDM cada fotograma, mientras que para conseguir el efecto
de las colisiones entre los paquetes de diferentes tamaños, el
922
IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 3, MAY 2013
marco tamaño de la n interferer fue elegido para ser
distribuido uniformemente entre 1 y 32 símbolos. Los
parámetros OFDM y sincronización relacionadas con
parámetros para el modelo de simulación se dan en la Tabla 2.
Para modelar los usuarios altamente móviles el simulador
utiliza una máxima frecuencia doppler de 100 Hz.
Consideramos que las tasas de datos de 12 Mbps (QPSK), 24
Mbps (16QAM) y 48 (64QAM) en nuestras simulaciones.
Podemos fijar la probabilidad de colisiones en el simulador y
el simulador puede etiquetar los paquetes involucrados en una
colisión, que a su vez nos da control sobre nuestros
experimentos.
T −1 N −1
EVM RMS =
 | H
i
n n ,k
+ η n ,k + ζ n ,k − in ,k |2
n = 0 k =0
T ⋅ N ⋅ P0
.
(4)
III. EVM PARA DETECCIÓN DE COLISIONES
En esta sección presentamos una métrica clave relacionados
con la calidad del enlace inalámbrico que utiliza el mecanismo
propuesto para la detección de colisiones.
Consideremos un sistema OFDM con modulación BPSK.
Suponiendo el escenario dado en la Fig. 1, una señal recibida
después de pasar por un canal de desvanecimiento
multitrayecto puede expresarse como
(1)
rn ,k = H n in ,k + η n ,k + ζ n ,k
donde in,k es la nth dominio de tiempo OFDM transmitir
símbolo subportadora k, rn,k es la nth dominio de tiempo
OFDM recibió símbolo sobre subportadora k, Hn es el
coeficiente de canal en el dominio de la frecuencia, mientras
que ηn,k es el ruido blanco aditivo gaussiano (AWGN), y ζn es
la interferencia debido a una colisión.
Magnitud del vector de error (EVM) es ampliamente
utilizada como una métrica de rendimiento para la calidad del
enlace en los sistemas de comunicación digital [26]. EVM
expresa la diferencia entre el valor de voltaje complejo
esperado de un símbolo desmodulado y el valor del símbolo
real recibido. EVM puede describirse como [3]:
T −1 N −1
 | r
2
− in ,k |
n ,k
EVM RMS =
n = 0 k =0
(2)
T ⋅ N ⋅ P0
donde P0 es la potencia media de los símbolos, T es el número
de símbolos recibidos y N es el número de subportadoras.
Ahora evaluemos EVM con la ayuda de dos casos. En primer
lugar, en ausencia de cualquier colisiones desaparece el
término interferencia (es decir, la colisión) en la ecuación (1).
Sustituyendo esta expresión de la señal recibida rn,k en la
ecuación (2), obtenemos
T −1 N −1
EVM RMS =
 | H
i
n n ,k
+ η n ,k − in ,k |2
n =0 k =0
T ⋅ N ⋅ P0
.
(3)
Para obtener el EVM en presencia de colisiones,
sustituimos la ecuación 1 en la ecuación 2, para obtener
Figura 2. CDF de magnitud del Vector de Error.
Figura 3. CDF de Error estalló longitudes.
De las ecuaciones (3) y (4), es claro que el valor EVM para
paquetes involucrados en una colisión será más alto que los
otros paquetes (libre de errores o paquetes perdidos debido a
errores de canal). Se trata de la intuición detrás utilizando
EVM como una métrica para la detección de colisiones. Fig. 2
se muestra una comparación de la función de distribución
acumulativa (CDF) de EVM para paquetes involucrados en
colisiones y los paquetes que están libres de colisión. La Fig.
3 muestra la CDF de longitudes de ráfagas de error en la
presencia y la ausencia de colisiones. Observando la Fig. 2 y
Fig. 3, podemos concluir que los paquetes involucrados en
una colisión tendrán valores más altos de EVM en
comparación con los paquetes gratis de colisión. Esto motiva
el uso de EVM en nuestra técnica para diferenciales los
abordajes de errores de canal.
EVM tiene muchas ventajas cuando se utiliza como una
medida para la calidad del enlace: es fácil de obtener (señal de
Vector pueden utilizarse analizadores), contiene información
adicional sobre el error de fase y el error de amplitud, y se
puede calcular incluso antes de que un paquete es
completamente decodificado etc.
AMAN AND SIKDAR : A CART BASED MECHANISM FOR COLLISION
IV. MECANISMO DE DETECCIÓN DE COLISIONES BASADO EN
UN CART
En esta sección desarrollamos un mecanismo basado en
CART para distinguir entre colisiones y errores de canal en
IEEE 802.11. Una serie de cuatro mediciones se utiliza como
insumos para el modelo de CART. Antes de que se presenta el
modelo de CART para detección de colisiones, primero
evaluamos la eficacia de cada métrica individualmente bajo
varias configuraciones de red.
A. Evaluación Métrica
Esta sección evalúa la efectividad de diferentes medidas
con el fin de la detección de colisiones, cuando se utilizan en
modelos de CART. Puesto que el efecto de captura tiene un
profundo efecto sobre el rendimiento de las técnicas de
detección de colisión [3], evaluamos el rendimiento de las
métricas bajo dos parámetros: efecto de captura de alta y baja
captura. Efecto de la captura es un fenómeno en el que se
suprime la transmisión de una señal atenuada por la
transmisión de una señal fuerte. Esto significa que en
presencia de captura de alto efecto, es decir, si ocurre una
colisión entre una señal fuerte y una débil señal (atenuados
debido a mayor distancia del receptor), la señal más fuerte
seguirá siendo reconocible en el receptor y así detectar una
colisión es un desafío. Sin embargo, en presencia de colisión
del efecto de captura baja detección es menos difícil.
Evaluamos la eficacia de una métrica basada en lo
siguiente: (i) probabilidad de falsa alarma (PFA) - es decir, los
casos donde una métrica predice un collison cuando realmente
no había ninguna colisión (el paquete puede han sido
corrompido por señal débil), (ii) la probabilidad de detección
de la señorita (PMD) - es decir, los casos donde una métrica no
predice ninguna colisión cuando realmente se produce una
colisión (el paquete de interferencia puede ser demasiado
débil como para afectar el paquete original) y (iii) la precisión
- es decir, la fracción de paquetes que fueron clasificados
correctamente.
Consideramos EVM y tres otras métricas propuestas en [3],
es decir, (1) proporción de error de bits por paquete (BERpp),
(2) recibe la señal (RSS) que es la señal agregada más
interferencia medido en dB y (3) errores por símbolo (EPS)
que es el número promedio de bits de error entre todos los
símbolos que están en error. Para cada categoría (alta y baja)
del efecto de captura, creamos modelos de CART usando
individualmente cada métrica y evaluar las tasas de
missclassification para estos modelos.
Nuestra evaluación de los parámetros de la cuatro se basa
en simulaciones que se utilizaron para recopilar datos sobre
colisiones en una red inalámbrica. El simulador que se
describe en la Sección 2 se utiliza para simular 5474 paquetes
(32 símbolos OFDM por paquete) para cada una de nuestras
simulaciones.
1) Efecto de captura baja: Para crear escenarios con efecto
de captura baja, utilizamos las topologías de simulación donde
el transmisor y el n interferer son ambos a la misma distancia
923
del receptor. Así el escenario dado en la Fig. 1 se simula con
d1 = d2, con las distancias que van desde 3m hasta 30m. Los
modelos de CART entrenados utilizando los datos obtenidos
de las simulaciones para cada una de las métricas in
dividualmente se muestran en la Fig. 4.
Figura 4. Modelos de CART métricas solo para baja captura de efecto.
TABELA III
PROPORCIÓN DE CLASIFICACIÓN ERRÓNEA - BAJO EFECTO DE CAPTURA
Accuracy
(%)
PFA
PMD
BERPP
RSS
EPS
EVM
94
70
98.7
97
1.34
10.5
46
14
1.2
1.4
1
5.5
La proporción de clasificación errónea asociadas con cada
uno de los modelos de CART usados en la Fig. 4 se dan en la
Tabla 3. La Tabla 3 muestra en presencia de captura bajo
efecto, EPS y EVM pueden detectar colisiones con alta
precisión y las bajas proporción de errores de clasificación.
Podemos concluir que en este caso el uso de EVM es
suficiente para la detección de colisión debido a sus ventajas
sobre los otros indicadores, como se explica en la Sección 3.
2) Alto efecto de captura: Para crear escenarios con captura
de alto efecto, utilizamos las topologías de simulación donde
el transmisor y el n interferer están a diferentes distancias del
receptor, con el n interferer situada a una distancia mayor del
receptor en comparación con el transmisor. Así el escenario
dado en la Fig. 1 se simula con d1 < d2, con d1 = 5m y desde
8m hasta 40m. Los modelos de CART entrenan utilizando los
datos obtenidos de las simulaciones para cada una de las
métricas individualmente en proporción de clasificación
errónea se muestra en la Fig. 5.
La Fig. 5 muestra que la captura el efecto aumenta (es decir,
como d2 aumentos) la precisión de las mediciones reduce al
tiempo que aumenta la tasa de missclassification. Observamos
que la exactitud de EVM y EPS se mantiene por encima de
80%, mientras que la precisión de BER y RSS se deterioran
mucho rápidamente. También podemos ver en la Fig. 4, que el
PFA para EPS, RSS, EVM debajo del 10% en promedio y
están inmóviles. Sin embargo, la PFA para RSS es
monótonamente creciente con la distancia de la n interferer.
924
IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 3, MAY 2013
aumentando así la probabilidad de mala detección de una
colisión.
El impacto del efecto de la captura en exactitud es sensible
y no solo métrica tiene suficiente precisión para su uso por
técnicas como la tasa de adaptación cuyo funcionamiento
depende críticamente de la capacidad de diferenciar
claramente entre la colisión y error de canal pérdidas
relacionadas. Por lo tanto para mejorar la exactitud y
safegaurd contra las debilidades de cualquier métrica
individual, la siguiente sección propone un clasificador basado
en una combinación de métricas.
a) Precisión de mediciones individuales en la clasificación de
paquetes.
B. Propone Modelo de Detección de Colisión
Los resultados de la Sección IV.A.1 y Sección IV.A.2
muestran que mientras que una métrica única modelo de
CART es suficiente para la detección de colisión en presencia
de captura bajo efecto, no puede detectar colisiones con
eficacia en presencia de captura de alto efecto. Así que para
mejorar la precisión y reducir los índices de error
missclassification se propone un modelo de CART utilizando
múltiples predictores.
b) PFA de métricas de Individulal en la clasificación de paquetes.
Figura 6. Clasificador propuesto.
c) PMD de métricas de Individulal en la clasificación de paquetes.
Figura 5. Proporción de clasificación errónea - alto efecto.
La Fig. 4 muestra que la PMD aumenta monótonamente con la
distancia de la interfiere para todas las métricas. Sin embargo,
el PMD para RSS y BER aumentar a velocidad mucho mayor.
El efecto de la distancia n interferer en PMD puede
interpretarse de la siguiente manera: como la distancia de la
fuente de interferencia de los aumentos del receptor, el efecto
de la colisión se reduce, es decir, la señal más fuerte desde el
transmisor suprime la transmisión de la interferencia;
Utilizando los mismos datos de simulación obtenidos en la
Sección IV.A.2, entrenamos un modelo de CART utilizando
múltiples predictores (métricas), denotados por Xi, i = 1,···, 4
correspondientes a las cuatro métricas que se ha descrito
anteriormente. El objetivo del modelo de CART es encontrar
un conjunto de reglas que pueden utilizarse para determinar si
el valor de una variable dependiente Y denotando si una
pérdida de paquetes fue causada por una colisión o canal
errores) de valores conocidos de las variables explicativas Xi, i
= 1,···, 4. Usando nuestras simulaciones, en primer lugar
ofrecemos un conjunto de datos iniciales para Xi donde la
causa de la pérdida de paquetes, es decir, Y se etiqueta.
Entonces construimos árboles usando estos datos iniciales y el
objetivo de este proceso es maximizar la homogeneidad de los
valores de la variable dependiente Y en las distintas
particiones. Nuestro clasificador propuesto se muestra en la
Fig. 6.
AMAN AND SIKDAR : A CART BASED MECHANISM FOR COLLISION
En la Fig. 6, se hace la primera decisión es sobre el valor de
la EPS de un paquete. La métrica de la EPS no puede detectar
colisiones en situaciones donde los errores (causados por una
colisión) en un paquete pueden ser corregidos por el error
corregir códigos (ECC). Esta situación se presenta cuando la
transmisión de la n interferer se debilita por un
desvanecimiento o atenuación (captura de alto efecto). Esto
hace que el valor EPS a ser cero (o cercano a cero). Sin
embargo EVM y RSS son dos parámetros que nos pueden dar
una visión más clara sobre la situación. A diferencia de la
EPS, EVM y RSS no se basan en bits que pueden ser "on" u
"off". Por el contrario, EVM y RSS están más estrechamente
relacionados a la dinámica del canal. Por otra parte, EVM da
una mejor imagen de la distorsión del canal debido a sus
propiedades que se discuten en la Sección 3. Así la rama
izquierda del clasificador en la Fig. 6 utiliza RSS y EVM con
el propósito de clasificar los paquetes que se ven afectados por
el efecto de captura de alta. Por el contrario si el valor de la
EPS de un paquete es mayor que cero, esto significa que el
efecto de desvanecimiento o atenuación no es significativo en
la transmisión de la n interferer y el número de errores
causados por la colisión será suficiente para darnos valores
anormalmente altos de RSS y EPS. Así el clasificador utiliza
RSS y EPS para clasificar los paquetes que se ven afectados
por la baja captura moderado efecto (rama derecha de la Fig.
6).
C. Resultados
En esta sección presentamos los resultados de la simulación
para evaluar el rendimiento del CART propuesto basada en el
mecanismo de detección de colisión y compararlo con el
estado del arte en la literatura para la detección de colisiones.
Para nuestra comparación, utilizamos el esquema propuesto en
[3] que utiliza las siguientes tres métricas: RSS, BER y EPS.
El método propuesto en [3] utiliza una métrica votar, es decir,
si cualquiera de las métricas indica una colisión, el algoritmo
deduce una colisión.
La proporción de clasificación errónea utilizando nuestro
clasificador propuesto, así como el clasificador presentado en
[3] se muestran en la Fig. 7. Estos resultados corresponden a
los escenarios de captura de alto efecto. Puesto que una sola
métrica es suficiente para los escenarios de captura bajo
efecto, los resultados para estos escenarios son triviales. La
Fig. 7 muestra que el clasificador de CART base propuesto
entrenado usando múltiples métricas da alta precisión
manteniendo las proporción de clasificación errónea baja.
También observamos que el esquema propuesto supera el
clasificador presentado en [3]. Observamos que mientras PMD
es una medida importante, PFA tendrá un efecto más profundo
en el rendimiento de detección collison. Una mayor PFA
resultará en un aumento en el número de backoffs y
retransmisiones. Por lo tanto, nos gustaría mantener PFA en un
nivel bajo. Los resultados muestran que hay una reducción
significativa de las falsas alarmas y una mejora significativa
en la precisión con el clasificador propuesto como el aumento
del efecto de captura.
925
a) Precisión del clasificador propuesto y [3].
b) PFA de clasificador propuesto y [3].
c) PMD de clasificador propuesto y [3].
Figura 7. Proporción de clasificación errónea para el clasificador propuesto y
clasificador propuesto por [3].
V. CONCLUSIONES
Este trabajo propone una metodología de base del árbol de
clasificación y regresión para determinar si una pérdida de
paquetes en redes IEEE 802.11 fue causada por errores de
canal o debido a una colisión con otra transmisión simultánea.
La metodología propuesta utiliza un vectores de cuatro
indicadores relacionados con la calidad de la canal como
entrada al clasificador para minimizar los errores de
clasificación. Resultados de la simulación se utilizan para
evaluar el desempeño de los mecanismo de detección de
colisión propuesto y verificar su funcionamiento superior
sobre clasificadores existentes.
926
IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 3, MAY 2013
RECONOCIMIENTO
Los autores desean dar las gracias a Linda Rivera por su
ayuda con la traducción del documento del Inglés al Español.
REFERENCES
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
J. Bicket, Bit-rate selection in wireless networks, Master’s Thesis,
Massachusetts Institute of Technology, Boston, MA, USA, 2005.
A. Joshi, and P. Kulkarni, “Vehicular WiFi Access and Rate
Adaptation,” Proc. ACM SIGCOMM, pp. 423-424, New Delhi, Inida,
August 2010.
S. Rayanchu, A. Mishra, D. Agrawal, S. Saha, S. Benerjee, “Diagnosing
Wireless Packet Losses in 802.11: Separating Collision from Weak
Signal,” Proc. IEEE INFOCOM, pp. 735-743, Phoenix, AZ, April 2008.
J. Kim, S. Kim, S. Choi, and D. Qiao, “CARA: Collision-aware rate
adaptation for 802.11 WLANs,” Proc. IEEE INFOCOM, Barcelona,
Spain, March 2006.
S. Wong, H. Yang, L. Lu, and B. Bhargavan, “Robust Rate Adaptation
in 802.11 Wireless Networks,” Proc. ACM MOBICOM, pp. 146-157,
Los Angeles, CA, September 2006.
M. Khan, and D. Veitch, “Isolating Physical PER for Smart Rate
Selection in 802.11,” Proc. IEEE INFOCOM, pp. 1080-1088, Rio de
Jeneiro, Brazil, April 2009.
IEEE Standard 802.11a-1999, High-speed Physical Layer in the 5 GHz
Band, 1999.
W. Jakes, Microwave Mobile Communications, IEEE press, 1974.
S. Shooshtary, Development of a MATLAB simulation environment for
vehicle-to-vehicle and infrastructure communication based on IEEE
802.11p, Master’s Thesis, University of Gävle, Gävle, Sweden, 2008.
Muhammad N. Aman was born in Peshawar, Pakistan, in
1983. He received the B.Sc. degrees in computer systems
engineering from the NWFP University of Engineering and
Technology, Peshawar, Pakistan in 2006 and the M.Sc.
degree in computer engineering from Center for Advanced
Studies in Engineering, Islamabad, Pakistan, in 2008. He received the
M.Engg. degree in industrial and management engineering and the Ph.D.
degree in electrical engineering from Rensselaer Polytechnic Institute, Troy,
NY, in 2012. From 2006 to 2009, he was a Lecturer with the Telecom
Engineering Department, FAST-National University of Computer and
Emerging Sciences, Peshawar, Pakistan. Since December 2012, he has been
an Assistant Professor with the Electrical Engineering Department, FASTNational University of Computer and Emerging Sciences, Peshawar, Pakistan.
His research interest includes the design of protocols for wireless networks
using cross layer information. His research interests also include optimization
and agent based simulation methods. Dr. Aman was a recipient of the
Fulbright Award in 2008.
Biplab Sikdar (S’98-M’02-SM’09) received the B. Tech
degree in electronics and communication engineering from
North Eastern Hill University, Shillong, India, the M. Tech
degree in electrical engineering from Indian Institute of
Technology, Kanpur and Ph.D in electrical engineering from
Rensselaer Polytechnic Institute, Troy, NY, USA in 1996,
1998 and 2001, respectively. He is currently an Associate Professor in the
Department of Electrical, Computer and Systems Engineering of Rensselaer
Polytechnic Institute, Troy, NY, USA. Dr. Sikdar is a member of IEEE, Eta
Kappa Nu and Tau Beta Pi and is an Associate Editor of the IEEE
Transactions on Communications.
Descargar