×
![]( "Buchcover ISBN 9783866245266")
Embedded Notion of Emotion for Autonomic Decision Making in Wireless Networks
von Burak Simsek*Deutsch:*
Drahtlose Kommunikationstechnologien sind im Vergleich mit Anderen generell anfälliger für Leistungseinbußen. Umgebungsbedingungen, Mobilität, Koexistenz, Wellenausbreitung und Interferenz, die fast alle nicht-deterministisch sind, machen eine effiziente Qualitätssicherung in der Dienstbereitstellung und -aufrechthaltung äußerst schwierig. Hohe Erwartungen der Kunden, die Kostenfrage, der Mangel an Know-how, der hohe Aufwand die Anlagen rund um die Uhr den Erwartungen der Kunden entsprechend zu verwalten und die Notwendigkeit der zeitnahen Diagnose stellen zusätzliche Schwierigkeiten dar. Zur Bewältigung all dieser Herausforderungen ist die Entwicklung automatischer Mechanismen zur Entscheidungsfindung besonders wichtig.
Doch genau die nicht-deterministische Dynamik, die die Entwicklung solcher automatischen Entscheidungsfindungsmechanismen so notwendig macht, erschwert deren Entwicklung. In den meisten Fällen sind die verfügbaren Daten für die traditionellen Entscheidungsfindungsalgorithmen nicht ausreichend um eine richtige Entscheidung zu treffen. In dieser Arbeit konzentrieren wir uns genau auf dieses Problem und erarbeiten Mechanismen, welche es drahtlosen Systemen ermöglichen, diese Schwierigkeiten zu bewältigen.
Zunächst bestimmen wir die Eignung und die Schwächen traditioneller Algorithmen zur Lösung von zeitkritischen Problemen bei drahtlosen Geräten. Wir zeigen auf, dass die größten Schwierigkeiten dieser Algorithmen die unzureichenden Daten und hohen Anforderungen an ihre Anpassungsfähigkeit sind. Zur Behebung dieser Schwierigkeiten schlagen wir ein Selbstmodell der „eingebetteten Wahrnehmung der Emotion” (ENE) vor, welches mit geringen Änderungen per plug& play in bereits bestehenden Systeme eingesetzt werden kann. Weiterhin entwickeln wir den Enhanced Reinforcement Learning Algorithm (ERLA), welcher auf Bayesscher Statistik und semi-infiniter Linearprogrammierung beruht und zeigen, dass ENE mit der Hilfe seiner Optimierungsfähigkeit die bestehenden Systeme deutlich verbessern kann. Wir wenden dieses Modell auf drei klassische Probleme der drahtlosen Netzwerke an: die Auswahl des Zugangspunktes, die Zugangskontrolle und die dynamische Neukonfiguration der Dienstqualitätsparameter. Bei unseren Versuchen zeigen wir, dass ENE zur Behebung der oben angeführten Problematiken in serienmäßigen drahtlosen Routern eingesetzt werden kann, selbst wenn eine große Anzahl von Parametern die Anwendung traditioneller Algorithmen ausschließt. Weiterhin zeigen wir, dass es die Genauigkeit der Entscheidungsfindung verglichen mit gängigen Algorithmen um rund 30 Prozent erhöht und die für die Anpassung erforderliche Zeit um einen Faktor von bis zu vier reduziert.
*English:*
Wireless devices are prone to more severe performance degradation than other communication technologies. Environmental conditions, mobility, coexistence, radio propagation, and interference, almost all of which are non-deterministic, make it extremely difficult to achieve efficient quality of service provisioning and maintenance mechanisms. High customer expectations, cost considerations, lack of expertise, the inability of technicians to service every facility around the clock, and the difficulty of making timely diagnosis represent additional complications. To cope with all these challenges, it is crucial that automatic decision-making functionalities be developed.
While the reasons why automatic decision-making functionality is so necessary are obvious, developing such functionality is very difficult. In most cases available data is insufficient for traditional decision making algorithms in order to make accurate decisions.
In this thesis we focus exactly on this problem and develop mechanisms enabling wireless systems to cope with lack of data that is required for accurate and adaptive decision making in highly dynamic wireless environments.
We first determine the shortcomings of widely-used decision-making algorithms (e. g. regression analysis, reinforcement learning, genetic algorithm) when solving real-time problems of wireless devices. Taking IEEE802.11 as an example, we show that even for the simple problems of wireless networks (such as candidate access point selection) the information that is made available by existing protocols is ambiguous and hinders accurate and adaptive decision making when using those algorithms. To overcome this problem, we propose a model of self ”Embedded Notion of Emotion” (ENE), which can be deployed in existing systems with minimal changes via plug& play. We show that ENE can significantly empower those systems through optimization capabilities based on our Enhanced Reinforcement Learning Algorithm (ERLA), which relies on Bayesian statistics and semi-infinite linear programming. We apply this model to three well-known problems of wireless access networks: candidate access point selection, call admission control, and dynamic quality of service parameter reconfiguration. In our experiments ENE, we show that ENE can be deployed with off-the-shelf wireless routers for solving the above problems in a straightforward and efficient manner, even when the large number of parameters excludes traditional decision-making algorithms; increases decision making accuracy by roughly thirty percent compared to other widely-used algorithms and decreases the time required for adaptivity by a factor of up to four.
Drahtlose Kommunikationstechnologien sind im Vergleich mit Anderen generell anfälliger für Leistungseinbußen. Umgebungsbedingungen, Mobilität, Koexistenz, Wellenausbreitung und Interferenz, die fast alle nicht-deterministisch sind, machen eine effiziente Qualitätssicherung in der Dienstbereitstellung und -aufrechthaltung äußerst schwierig. Hohe Erwartungen der Kunden, die Kostenfrage, der Mangel an Know-how, der hohe Aufwand die Anlagen rund um die Uhr den Erwartungen der Kunden entsprechend zu verwalten und die Notwendigkeit der zeitnahen Diagnose stellen zusätzliche Schwierigkeiten dar. Zur Bewältigung all dieser Herausforderungen ist die Entwicklung automatischer Mechanismen zur Entscheidungsfindung besonders wichtig.
Doch genau die nicht-deterministische Dynamik, die die Entwicklung solcher automatischen Entscheidungsfindungsmechanismen so notwendig macht, erschwert deren Entwicklung. In den meisten Fällen sind die verfügbaren Daten für die traditionellen Entscheidungsfindungsalgorithmen nicht ausreichend um eine richtige Entscheidung zu treffen. In dieser Arbeit konzentrieren wir uns genau auf dieses Problem und erarbeiten Mechanismen, welche es drahtlosen Systemen ermöglichen, diese Schwierigkeiten zu bewältigen.
Zunächst bestimmen wir die Eignung und die Schwächen traditioneller Algorithmen zur Lösung von zeitkritischen Problemen bei drahtlosen Geräten. Wir zeigen auf, dass die größten Schwierigkeiten dieser Algorithmen die unzureichenden Daten und hohen Anforderungen an ihre Anpassungsfähigkeit sind. Zur Behebung dieser Schwierigkeiten schlagen wir ein Selbstmodell der „eingebetteten Wahrnehmung der Emotion” (ENE) vor, welches mit geringen Änderungen per plug& play in bereits bestehenden Systeme eingesetzt werden kann. Weiterhin entwickeln wir den Enhanced Reinforcement Learning Algorithm (ERLA), welcher auf Bayesscher Statistik und semi-infiniter Linearprogrammierung beruht und zeigen, dass ENE mit der Hilfe seiner Optimierungsfähigkeit die bestehenden Systeme deutlich verbessern kann. Wir wenden dieses Modell auf drei klassische Probleme der drahtlosen Netzwerke an: die Auswahl des Zugangspunktes, die Zugangskontrolle und die dynamische Neukonfiguration der Dienstqualitätsparameter. Bei unseren Versuchen zeigen wir, dass ENE zur Behebung der oben angeführten Problematiken in serienmäßigen drahtlosen Routern eingesetzt werden kann, selbst wenn eine große Anzahl von Parametern die Anwendung traditioneller Algorithmen ausschließt. Weiterhin zeigen wir, dass es die Genauigkeit der Entscheidungsfindung verglichen mit gängigen Algorithmen um rund 30 Prozent erhöht und die für die Anpassung erforderliche Zeit um einen Faktor von bis zu vier reduziert.
*English:*
Wireless devices are prone to more severe performance degradation than other communication technologies. Environmental conditions, mobility, coexistence, radio propagation, and interference, almost all of which are non-deterministic, make it extremely difficult to achieve efficient quality of service provisioning and maintenance mechanisms. High customer expectations, cost considerations, lack of expertise, the inability of technicians to service every facility around the clock, and the difficulty of making timely diagnosis represent additional complications. To cope with all these challenges, it is crucial that automatic decision-making functionalities be developed.
While the reasons why automatic decision-making functionality is so necessary are obvious, developing such functionality is very difficult. In most cases available data is insufficient for traditional decision making algorithms in order to make accurate decisions.
In this thesis we focus exactly on this problem and develop mechanisms enabling wireless systems to cope with lack of data that is required for accurate and adaptive decision making in highly dynamic wireless environments.
We first determine the shortcomings of widely-used decision-making algorithms (e. g. regression analysis, reinforcement learning, genetic algorithm) when solving real-time problems of wireless devices. Taking IEEE802.11 as an example, we show that even for the simple problems of wireless networks (such as candidate access point selection) the information that is made available by existing protocols is ambiguous and hinders accurate and adaptive decision making when using those algorithms. To overcome this problem, we propose a model of self ”Embedded Notion of Emotion” (ENE), which can be deployed in existing systems with minimal changes via plug& play. We show that ENE can significantly empower those systems through optimization capabilities based on our Enhanced Reinforcement Learning Algorithm (ERLA), which relies on Bayesian statistics and semi-infinite linear programming. We apply this model to three well-known problems of wireless access networks: candidate access point selection, call admission control, and dynamic quality of service parameter reconfiguration. In our experiments ENE, we show that ENE can be deployed with off-the-shelf wireless routers for solving the above problems in a straightforward and efficient manner, even when the large number of parameters excludes traditional decision-making algorithms; increases decision making accuracy by roughly thirty percent compared to other widely-used algorithms and decreases the time required for adaptivity by a factor of up to four.