بهبود شبکه های بی سیم تلفیقی به وسیله بازی های مارکوف
محورهای موضوعی : electrical and computer engineeringپیام پرکار رضائیه 1 , حمید شکرزاده 2 , مهدی دهقان تخت فولادی 3 , امیرمسعود رحمانی 4
1 - گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران،ایران
2 - گروه مهندسی کامپیوتر، واحد پردیس، دانشگاه آزاد اسلامی، پردیس، ايران
3 - گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه امیرکبیر، تهران، ایران
4 - گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: شبکه‌های محلی تلفیقی, شبکه Li-Fi, شبکه Wi-Fi, نقاط دسترسی و توازن بار.,
چکیده مقاله :
امروزه شبکه‌های بی‌سیم تلفیقی اهمیت فراوان پیدا کرده‌اند. ازجمله فناوری‌های مهم در این زمینه، فناوری تلفیقی ارتباطات نور مرئی و فرکانس رادیویی است که نمونه مهم آن، ترکیب شبکه‌های محلی Wi-Fi و Li-Fi است. این ترکیب موجب پوشش نقاط ضعف و تقویت نقاط قوت شبکه بی‌سیم محلی میشود. همچنین موضوعی که می‌تواند بهره‌وری را در شبکه افزایش دهد تعادل بار است؛ به‌ویژه وقتی وجود نقاط دسترسی از هر دو شبکه موجب انتخاب‌های بیشتر خواهد شد. در واقع در الگوریتم انتخاب نقطه دسترسی روش پیشنهادی در این پژوهش به گونه‌ای عمل شده که در هنگام قرارگرفتن در یک نقطه دسترسی، تصمیم‌گیری برای انتخاب محل قرارگیری بر پایه تعادل بین عامل‌های موجود در بازی مارکوف در رفتار استراتژیک اشیا باشد و به این ترتیب میزان تأخیر شبکه کاهش یافته و تعادل بار افزایش خواهد یافت. بدین ترتیب یک روش پویا پیشنهاد شده که با استفاده از آن در هر زمان و به‌ویژه هنگام تغییر توپولوژی در شبکه، تصمیمات متناسب با شرایط گرفته میشود. روش پیشنهادی مزایایی همچون انتخاب پویای نقاط دسترسی با توجه به شرایط شبکه، بازخورد مستقیم از کارایی شبکه و کانال اشتراکی، هوشمندی و یادگیری نسبت به تغییرات برای انتخاب نقاط، تعامل با عامل‌های مشابه در گرهها و کاهش احتمال ازدحام در هر نقطه دسترسی دارد. همچنین با افزایش ترافیک کاربران (که منجر به شرایط پرازدحام میشود و احتمال ازدحام در گرهها و نقاط دسترسی بالا می‌رود)، این روش کمک بیشتری را نسبت به توازن بار و کاهش سطح ازدحام مینماید به طوری که اختلاف آن با روشهای مورد مقایسه که از تکنیکهای ثابتتری مانند روش فازی استفاده میکنند، افزایش چشمگیری مییابد. با توجه به نتایج به دست آمده این روش توانسته است بیش از 10% بهبود کارایی در شبکه محلی نسبت به روشهای پیشین همچون روش فازی و بالاتر از 30% بهبود کارایی نسبت به سیاست انتخاب SSS در شرایط بار ترافیکی بالا ایجاد کند.
Nowadays integrated wireless networks have become very important. Among the important technologies in this field is the combined technology of visible light and radio frequency communications, an important example of which is the combination of Wi-Fi and Li-Fi local networks. This combination covers the weaknesses and strengthens the strengths of the local wireless network.
Also, an issue that can increase productivity in the network is load balancing, especially when the presence of access points from both networks will lead to more choices. In fact, in the proposed access point selection algorithm in this research, it has been done in such a way that when being at an access point, the decision to choose the location is based on the balance between the factors in the Markov game based on the strategic behavior of objects. In this way, network delay will be reduced and load balance will be increased.
Therefore, a dynamic method has been proposed, which can be used to make decisions according to the conditions at any time, especially when the topology changes in the network. The proposed method has advantages such as dynamic selection of access points according to network conditions, direct feedback on the efficiency of the network and shared channel, intelligence and learning towards changes to select points, interaction with similar agents in nodes, and reducing the probability of congestion at each access point. Also, with the increase in user traffic, which leads to congested conditions and the possibility of congestion in nodes and access points, this method helps more in terms of load balancing and reducing the level of congestion. So that its difference with compared methods that use more stable techniques such as fuzzy method increases significantly.
According to the obtained results, this method has been able to improve the efficiency of the local network by more than 10% compared to the previous methods such as the fuzzy method and more than 30% compared to the SSS selection policy in high traffic load conditions.