[論文レビュー] Estimating the number of receiving nodes in 802.11 networks via machine learning techniques

Davide Del Desta, Matteo Danieletto+2 more|arXiv (Cornell University)|May 13, 2016

Wireless Networks and Protocols参考文献 12被引用数 8

ひとこと要約

本論文は、プロトコルの変更やSDNコントローラーを介さずに、クライアント側の測定値（送信推定到着時間（ETA）、送信電力（$P_{Tx}$）、距離（$d$））のみを用いて802.11ネットワークにおける受信ノード数を推定する機械学習手法を提案する。この手法は高い精度（F1スコア >0.89）と低い偽陽性率（2–5%）を達成し、サポートベクターマシンとk-NNがナイーブベイズを上回る。正しいノード数が使用された場合、予測誤差は平均で約10%にとどまる。

ABSTRACT

Nowadays, most mobile devices are equipped with multiple wireless interfaces, causing an emerging research interest in device to device (D2D) communication: the idea behind the D2D paradigm is to exploit the proper interface to directly communicate with another user, without traversing any network infrastructure. A first issue related to this paradigm consists in the need for a coordinator, called controller, able to decide when activating a D2D connection is appropriate and eventually able to manage such connection. In this view, the paradigm of Software Defined Networking (SDN), can be exploited both to handle the data flows among the devices and to interact directly with every device. This work is focused on a scenario where a device is selected by the SDN controller, in order to become the master node of a WiFi-Direct network. The remaining nodes, called clients, can exchange data with other nodes through the master. The objective is to infer, through different Machine Learning approaches, the number of nodes actively involved in receiving data, exploiting only the information available at the client side and without modifying any standard communication protocol. The information about the number of client nodes is crucial when, e.g., a user desires a precise prediction of the transmission estimated time of arrival (ETA) while downloading a file.

研究の動機と目的

• WiFi-Directネットワークにおけるアクティブな受信ノード数を、クライアント側の情報のみを用いて推定すること。
• 標準プロトコルを変更せずに、ノード数を推定することで、送信推定到着時間（ETA）の正確な予測を可能にすること。
• SDNコントローラーに依存せず、ネットワーク動作を変更しない透明で非侵襲的な手法を開発すること。
• ノード数推定の誤りがETA予測精度に与える影響を評価すること。
• ノード数分布におけるクラスの不均衡下での機械学習モデルの頑健性を評価すること。

提案手法

• 本手法は、受信ノード数を推定するために、クライアント側の3つの特徴量（推定到着時間（ETA）、送信電力（$P_{Tx}$）、距離（$d$））を用いる。
• ナイーブベイズ（NB）、サポートベクターマシン（SVM）、k-近傍法（k-NN）の複数の機械学習分類器を評価する。
• 本手法は、50台のWiFiノード（二重の802.11 WNICを備える）を備えたCARMENテストベッドから収集した実世界のデータを用いて訓練およびテストする。
• マスターノードがデータ交換を管理するSDN対応D2D環境で動作し、クライアントは受信ノードの数を自律的に推定する。
• F1スコア、ROC曲線、誤ったノード数仮定下でのETAの平均パcent誤差を用いて性能を評価する。
• クラスの不均衡下での性能を評価するために重み付きSVMのバリエーションをテストしたが、非重み付きバージョンより性能が劣った。

実験結果

リサーチクエスチョン

• RQ1 WiFi-Directネットワークにおける受信ノード数は、クライアント側の測定値のみを用いて正確に推定可能か？
• RQ2 ノード数推定の精度が、送信ETA予測の精度にどのように影響するか？
• RQ3 入力特徴量を最小限に抑えた状態で、どの機械学習モデルがアクティブノード数の推定において最も優れた性能を示すか？
• RQ4 ノード数分布に不均衡がある状況下で、モデルの頑健性はどの程度か？
• RQ5 ETA以外の追加特徴量を組み込むことで、ノード数推定の精度が顕著に向上するか？

主な発見

• ETA、$P_{Tx}$、$d$ の3つの特徴量を用いたノード数推定において、すべての設定でF1スコアが0.89を超える。これは分類性能が優れていることを示している。
• 偽陽性率がたった2–5%である一方で、真正陽性率は95%に達する。これは強力な識別性能を示している。
• ETAに$P_{Tx}$と$d$を追加しても、有意な性能向上が得られない。これはETAが主要な特徴量であることを示唆している。
• SVMとk-NN分類器はナイーブベイズを上回り、有意差検定（有意水準$\alpha=0.05$）により統計的に有意な差が確認された。
• 重み付きSVMは非重み付きバージョンより性能が劣り、この文脈ではクラスの不均衡処理に問題がある可能性を示している。
• 正しいノード数（$N_{pred} = N_{real}$）が使用された場合、ETAの平均パーセント誤差が最小となり、それぞれ$N_{real} = 1,2,3,4$のときの平均誤差は10.3%、10.5%、13.4%、9.2%であった。